لماذا خفت بريق التخصص في الذكاء الاصطناعي السريري أمام اختبارات القياس الطبية

غالبا ما يجري تغليف وعد الذكاء الاصطناعي الطبي بفكرة أن «كلما ازداد تخصصا ازداد موثوقية»: الاتصال بقواعد بيانات سريرية، والتوجه إلى سير عمل الأطباء، والتدرب على لغة طبية، كلها أمور تبدو كأنها تجعل الأداة أقرب إلى احتياجات غرفة الفحص من روبوتات الدردشة العامة. لكن دراسة ما قبل النشر الأحدث التي تجري مناقشتها تطرح تحذيرا معاكسا: في عدد من اختبارات القياس الطبية، تفوقت نماذج اللغة الكبيرة العامة على أدوات تقدم نفسها على أنها مخصصة للاستخدام السريري.

قيّمت هذه الدراسة منتجات ذكاء اصطناعي سريرية مثل OpenEvidence وUpToDate Expert AI، وقارنتها بنماذج عامة مثل GPT-5 وGemini 3 Pro وClaude Sonnet 4.5. استخدم فريق البحث اختبارا مصغرا من 1,000 سؤال، يتألف من 500 سؤال طبي من MedQA و500 مطالبة من HealthBench، في محاولة لقياس الإجابة عن المعرفة الطبية، إلى جانب قدرات التواصل والحكم الأقرب إلى سياقات الرعاية الصحية.

وبحسب ملخص الدراسة، تفوقت النماذج العامة على الأداتين السريريتين في الأداء الإجمالي، وسجل GPT-5 أعلى نتيجة في المقارنة. والأهم أن الفارق لم يقتصر على القدرة على الإجابة الصحيحة عن أسئلة الاختيار من متعدد الطبية؛ فقد أشارت الدراسة أيضا إلى أن OpenEvidence وUpToDate Expert AI أظهرا قصورا في اكتمال الإجابات، وجودة التواصل، وفهم السياق، والاستدلال القائم على سلامة النظام الصحي. وهذه الجوانب هي بالضبط العتبات التي يصعب تجنبها عندما ينتقل الذكاء الاصطناعي السريري من «القدرة على الإجابة عن الأسئلة» إلى «القدرة على مساعدة اتخاذ القرار الطبي».

هذا لا يعني أن روبوتات الدردشة العامة أصبحت قادرة على أن تحل مباشرة محل الأطباء أو الصيادلة أو أنظمة دعم القرار السريري. فـMedQA وHealthBench يمكنهما توفير مقياس قابل للمقارنة، لكنهما يظلان اختبارات قياس، لا تجارب سريرية استباقية؛ كما أن الدرجات العالية في بنك أسئلة لا تعني بالضرورة أن النموذج سيكون مستقرا بالقدر نفسه في بيئة تتداخل فيها السجلات الطبية الحقيقية، وسير العمل داخل المستشفى، وقيود الأدوية، وقواعد التأمين، وتحديد المسؤولية.

تبدو هذه النتيجة أقرب إلى تذكير لصناعة الذكاء الاصطناعي الطبي بأن التموضع المتخصص ليس في حد ذاته ضمانا للجودة. فإذا كانت الأداة تضيف واجهة وعلامة تجارية فوق محتوى طبي فحسب، من دون أن تثبت أنها قادرة على إجراء مفاضلات أكثر موثوقية بين الحالات المعقدة، والمعلومات غير المكتملة، وتفضيلات المرضى، وإشارات السلامة التحذيرية، فقد يتحول التخصص إلى وهم. وبالنسبة إلى المؤسسات الصحية، فإن شراء الذكاء الاصطناعي السريري يتطلب النظر ليس فقط إلى مصادر البيانات أو تموضع المنتج، بل أيضا إلى أداء قابل للتحقق المتكرر، وأنواع الأخطاء، وآلية التحديث، وتصميم الإشراف البشري.

ولهذا تصبح مسألة التنظيم أكثر دقة. فعندما تُستخدم أدوات الذكاء الاصطناعي للإجابة عن أسئلة طبية، أو للمساعدة في البحث في الأدبيات، أو لتنظيم خيارات العلاج، فإن تحديد ما إذا كانت أداة معلومات عامة، أو برمجية لدعم القرار السريري، أو جهازا طبيا قد يؤثر في سلوك التشخيص والعلاج، سيستدعي متطلبات تحقق مختلفة. وإذا كانت النماذج تُحدّث بشكل متكرر، فإن ما إذا كانت الاختبارات التي اجتازتها سابقا تمثل نسخة اليوم سيصبح أيضا معضلة للمراجعة والحوكمة داخل المستشفيات.

لم تخضع ورقة ما قبل النشر هذه بعد لمراجعة الأقران، كما أن التفاصيل التي يتيحها الملخص المنشور حاليا محدودة؛ وقد تؤثر أيضا سياقات النشر الفعلية للمنتجات المختلفة، وطرق ربط البيانات، وواجهات المستخدم، في الأداء داخل المواقع السريرية. ومع ذلك، فقد وضعت بالفعل سؤالا حادا على الطاولة: إن المنافسة في الذكاء الاصطناعي الطبي لا ينبغي أن تكتفي بالسؤال عن الجهة التي تبدو أكثر شبها بمنتج طبي، بل يجب أن تسأل من يستطيع، في ظل شروط قابلة للتحقق، تقديم إجابات أكثر اكتمالا، وأكثر ملاءمة للسياق، وأكثر فهما لحدود السلامة.