تخطَّ إلى المحتوى

توليد السجلات الطبية الاصطناعية بنماذج 3B المدمجة: حل قيود الخصوصية يضع أبحاث الرعاية الصحية بالمنطقة أمام فحص التناقضات

شارك المقال
توليد السجلات الطبية الاصطناعية بنماذج 3B المدمجة: حل قيود الخصوصية يضع أبحاث الرعاية الصحية بالمنطقة أمام فحص التناقضات
الصورة: Annie Spratt / Unsplash

استمع لهذا المقال

بصوت ليلى (Layla)

أطلقت الباحثة كارلا تيكسيرا لوبيز والباحث دانييل فيليكس مجموعة البيانات المفتوحة «لوسو كلين» (LusoClin) للملاحظات السريرية الاصطناعية باللغة البرتغالية الأوروبية، في خطوة تقنية تستهدف حل معضلة ندرة البيانات الطبية الناجمة عن تشريعات حماية خصوصية المرضى. تمثل هذه الخطوة نموذجًا تشغيليًا يمس بصورة مباشرة فرق التطوير التقني والباحثين في القطاع الصحي بالخليج والمنطقة العربية، حيث تعاني مشاريع استرجاع المعلومات الطبية وتصنيف مجموعات المرضى من شح حاد في مجموعات البيانات السريرية المفتوحة بسبب الأطر التنظيمية المشددة لحماية سرية المرضى.

اعتمد تطوير مجموعة بيانات LusoClin على مسار تقني منخفض التكلفة، بدأ بمعالجة مسبقة لسجلات سريرية حقيقية، تلاها ضبط دقيق للنموذج مفتوح المصدر Llama 3.2 المخصص للتعليمات بحجم 3 مليارات معامل عبر تقنية التكييف منخفض الرتبة المكمم (QLoRA). استُخدم النموذج بعد ذلك في توليد ملاحظات سريرية عبر هندسة الأوامر الموجهة. ولدعم الفهرسة الدلالية والبحث في المستندات السريرية، خضعت الملاحظات المولدة لتوسيم آلي كامل بالكيانات السريرية عبر نموذج معتمد على معمارية BERT، مما أتاح هيكلة دقيقة للمصطلحات والبيانات الطبية.

أخضع الفريق البحثي البيانات الناتجة لاختبارات شاملة عبر مقاييس آلية وتقييم بشري، لقياس أربعة محاور تشمل الفائدة التشغيلية، والدقة الإنشائية، والتنوع اللغوي، ومستوى الحفاظ على الخصوصية. وأظهرت النتائج أن مجموعة البيانات نجحت في التقاط الأنماط اللغوية السريرية بدقة، وأثبتت قدرتها على دعم مهام استرجاع المعلومات الطبية وتكييف النماذج المتخصصة في المجال الصحي. غير أن نتائج التقييم البشري حملت جانبًا تحذيريًا؛ إذ تمكن المقيمون البشريون من التمييز بوضوح بين الملاحظات السريرية الاصطناعية والسجلات الحقيقية، كما سُجل استمرار وجود بعض التناقضات الطبية داخل النصوص المولدة.

ماذا يعني هذا للمنطقة

تفتح هذه التجربة نافذة عملية لفرق الذكاء الاصطناعي في مصارف ومؤسسات الرعاية الصحية والمستشفيات بالمملكة العربية السعودية والإمارات ومصر؛ إذ تثبت أن معالجة فجوة البيانات الطبية باللغات الأقل حظًا في الموارد الحاسوبية لا تتطلب بالضرورة نماذج عملاقة بمليارات المعاملات أو تكاليف استدلال باهظة. استخدام نموذج مدمج بحجم 3 مليارات معامل مع تقنيات الضبط المكمم QLoRA يتيح للفرق البحثية المحلية توليد بيانات تدريب واختبار متوافقة مع متطلبات الامتثال، وتجاوز العقبات القانونية التي تمنع تداول السجلات السريرية الأصلية خارج بيئة المشافي المغلقة.

في المقابل، يفرض استمرار التناقضات الطبية قدرًا عاليًا من الحذر الهندسي والرقابي لمديري التقنية بالمنطقة. الاعتماد على البيانات السريرية الاصطناعية يجب أن ينحصر راهنًا في بناء أنظمة الفهرسة الدلالية، والبحث المكتبي، وتطوير أدوات استرجاع الوثائق، مع حظر دمجها في أنظمة التشخيص المباشر أو اتخاذ القرارات الطبية الحرجة دون إشراف بشري صارم. إذا كنت تقود فريقًا لبناء حلول استرجاع طبي محلي، فإن فحص الاتساق الطبي عبر أطباء ممارسين يظل خطوة إلزامية قبل الاعتماد على أي مجموعة بيانات مولدة آليًا.

اشترك في همسات الذكاء الاصطناعي — كل أسبوع: قصص وفرص وأحداث مختصرة وموثقة، بلا حشو.

اشترك ليصلك الجديد