اختبار الاستشارة الطبية بالذكاء الاصطناعي على نحو 14 ألف شخص: يطرح أسئلة متابعة عن الأعراض، ما يجعله أقرب إلى التفكير السريري من الإجابة المباشرة

مع بدء الذكاء الاصطناعي التوليدي في الإجابة عن استفسارات صحية تتعلق بالصداع أو السعال أو ضيق الصدر، لا يكمن الاختبار الحقيقي في مقدار ما «يعرفه» فحسب، بل في قدرته على محاكاة الاستشارة الطبية، عبر الاستفسار انطلاقًا من أوصاف متناثرة عن مسار المرض والأعراض المصاحبة وإشارات الخطر. وتُظهر دراسة ميدانية واسعة النطاق أجراها فريق بحثي في Google أن الوكلاء الحواريين المصممين لجمع التاريخ المرضي بصورة استباقية أقدر بالفعل من نماذج الدردشة العامة التي يوجّهها المستخدم بنفسه على طرح تشخيصات تفريقية أقرب إلى الحكم السريري اللاحق؛ إلا أن هذه النتيجة لا تزال بعيدة بوضوح عن إثبات قدرة الذكاء الاصطناعي على إجراء الاستشارات الطبية بأمان واستقلالية.

جنّدت الدراسة عبر تطبيق Fitbit عددًا بلغ 13,917 مشاركًا وافقوا على المشاركة، ووُزّعوا عشوائيًا على خمسة وكلاء من SymptomAI مبنيين على Gemini Flash 2.0. تولّى أربعة وكلاء قيادة المقابلة باتباع أسئلة ثابتة أو مرنة أو أسلوب استدلال ديناميكي، بينما استخدمت المجموعة الأخرى نمطًا يقوده المستخدم ويشبه روبوتات الدردشة العامة. وبعد انتهاء كل محادثة، أدرج النظام عدة أسباب محتملة وتوصيات بشأن الخطوة التالية؛ وكانت جميع المحتويات مخصصة للتحليل البحثي فقط، ولم تكن تشخيصات طبية رسمية.

كان عدد العينات التي أمكن استخدامها فعليًا للتحقق من النتائج أقل بكثير من إجمالي عدد المشاركين. فبعد أسبوعين، لم يُبلغ سوى 1,228 شخصًا عن تشخيص قدّمه لهم مختص طبي، ودخلت 517 حالة منها في مراجعة أجراها خبراء سريريون واستغرقت أكثر من 250 ساعة. راجع أطباء حاصلون على اعتماد تخصصي نصوص المجموعة نفسها من المحادثات بصورة معماة، وقدّموا تشخيصاتهم التفريقية الخاصة، ثم قارن المراجعون السريريون قوائم الذكاء الاصطناعي بقوائم الأطباء. ووفقًا لأحدث نسخة من التقرير المنشور كمسودة أولية، بلغت أرجحية إصابة التشخيص التفريقي الذي قدّمه SymptomAI للتشخيص اللاحق المُبلغ عنه ذاتيًا نحو 2.56 ضعف أرجحية أطباء المقارنة، وكان الفرق ذا دلالة إحصائية؛ ويختلف هذا الرقم قليلًا عن 2.47 ضعف الوارد في النسخة السابقة.

قد لا تكون الرسالة الأوضح للدراسة أن «الذكاء الاصطناعي يتفوق على الأطباء»، بل أهمية طرح الأسئلة بصورة استباقية. فقد حققت الاستراتيجيات الأربع التي قادها الوكيل وطرحت مزيدًا من أسئلة المتابعة عن التاريخ المرضي أداءً متقاربًا، وتفوّقت جميعها بوضوح على نمط الدردشة الأساسي الذي يقوده المستخدم. وبعبارة أخرى، لا تتوقف قيمة نظام المحادثة الطبية على النموذج الذي يولّد الإجابة النهائية فحسب، بل تعتمد أيضًا على معرفته بما ينبغي أن يسأل عنه، ومتى يطرح سؤال متابعة، وكيف ينظم اللغة اليومية غير المكتملة في معلومات سريرية قابلة للتفسير.

كما طابق الفريق نتائج المحادثات مع بيانات أجهزة قابلة للارتداء تغطي أكثر من 500 ألف يوم وما يقارب 400 حالة مرضية. وظهرت لدى الأشخاص الذين صنّفهم الذكاء الاصطناعي ضمن المصابين بعدوى حادة في الجهاز التنفسي تغيرات على مستوى المجموعة في مؤشرات القلب والأوعية الدموية والتنفس ودرجة حرارة الجلد والنوم وغيرها، وذلك قبل يوم محادثة الأعراض بقليل. ويمكن لهذا التطابق الزمني أن يشكل دليلًا على ارتباط فسيولوجي، لكنه لا يثبت، بصورة عكسية، صحة تشخيص الذكاء الاصطناعي لكل مشارك على حدة؛ كما أن إشارات الأجهزة القابلة للارتداء نفسها تفتقر في معظمها إلى الخصوصية لمرض بعينه.

تتركز قيود الدراسة في «الإجابة المعيارية» وطريقة المقارنة. فقد أبلغ المشاركون بأنفسهم عن التشخيص اللاحق، ما قد يجعله عرضة لتأثير الذاكرة والاستعداد لطلب الرعاية الطبية وانحياز الاختيار؛ ومن بين نحو 14 ألف مشارك، لم تُدرج سوى 517 حالة في المراجعة الرئيسية للخبراء. كذلك، لم يتمكن الأطباء المستقلون إلا من قراءة السجلات النصية التي تشكلت من أسئلة الذكاء الاصطناعي، من دون أن يستطيعوا طرح أسئلة متابعة بأنفسهم أو فحص المرضى أو الاطلاع على سجلاتهم الطبية؛ لذلك لا يمكن اعتبار هذه المقارنة مكافئة لمواجهة بين الذكاء الاصطناعي واستشارة سريرية كاملة. وأشار تحليل مستقل أيضًا إلى أن معدل إصابة التشخيص الصحيح ضمن التشخيصات الخمسة الأولى بلغ نحو 70%، ما يترك هامشًا من الخطأ لا يمكن تجاهله.

يُعد SymptomAI حاليًا نموذجًا أوليًا بحثيًا تجريبيًا، وليس منتجًا للتشخيص السريري معتمدًا للاستخدام. وإذا دخلت أنظمة من هذا النوع مستقبلًا في مسارات الرعاية، فإلى جانب الحاجة إلى تجارب سريرية استباقية والتحقق لدى مجموعات سكانية خارجية، سيتعين عليها أيضًا الإجابة عن مسائل الفرز الخاطئ، وعدم اكتشاف الأعراض الطارئة، وتحديد المسؤولية، وحوكمة البيانات الصحية. وتتمثل المساهمة الأكثر موثوقية لهذه الدراسة في نقل تقييم الذكاء الاصطناعي الطبي من مسائل الحالات المنقحة إلى المحادثات المبهمة والمتناثرة التي يستخدمها الناس فعليًا؛ فهي تعرض طريقة أفضل لطرح الأسئلة، لكنها لم تقدم بعدُ أداة تشخيص يمكن تسليم المهمة إليها بثقة.