الذكاء الاصطناعي الطبي · global
تشخيص أدق ونتائج إيجابية كاذبة أكثر: المفاضلات السريرية للذكاء الاصطناعي الاستدلالي
وجدت دراسة شملت 12 تخصصًا أن الذكاء الاصطناعي الاستدلالي أكثر قدرة على تحديد التشخيص الرئيسي، لكنه يدرج أيضًا مزيدًا من الأمراض الخاطئة. ويمكن لمشاركة الأطباء في التحقق أن تحسّن الأداء، إلا أن التقدم المحرز في الاختبارات الاستعادية على السجلات الطبية لا يزال بحاجة إلى التحقق في الممارسة السريرية الفعلية.
في العيادة، قد يساعد التفكير في مرض إضافي على تجنب تفويت التشخيص، لكنه قد يقود المريض أيضًا إلى فحوص وعلاجات غير ضرورية. وكشفت دراسة نُشرت في 29 أكتوبر في مجلة «Nature Communications» عن هذه المعضلة في الذكاء الاصطناعي الاستدلالي: تصيب النماذج التشخيص الرئيسي بوتيرة أعلى، لكنها تميل أيضًا إلى إضافة مزيد من التشخيصات الخاطئة. وفي السياق السريري، يجب تقييم القدرة على الإجابة الصحيحة والقدرة على ضبط النتائج الإيجابية الكاذبة معًا.
أنشأ فريق البحث معيارًا لتقييم التشخيص استنادًا إلى سجلات طبية مطوّلة، أطلق عليه اسم AIMS-LDR، وقارن ست مجموعات مزدوجة من نماذج اللغة الكبيرة الاستدلالية والعادية، شملت 12 تخصصًا. وبحسب ما جمعه i10X في تغطيته للدراسة نفسها، تضمنت البيانات سجلات 1,157 حالة دخول إلى المستشفى من MIMIC-IV و1,821 حالة من eICU، بإجمالي 2,978 سجلًا. وكان على النماذج تقديم أحكام تشخيصية بناءً على معلومات تشمل التاريخ المرضي والعلامات الحيوية ونتائج الفحوص وتقارير التصوير.
وتوضح نتائج LDR-MIMIC التي أوردها i10X هذه المفاضلة بالأرقام: بلغت دقة التشخيص الرئيسي لدى النماذج الاستدلالية 52.8%، مقابل 38.7% لدى النماذج العادية؛ لكن متوسط عدد التشخيصات الإيجابية الكاذبة لكل حالة ارتفع أيضًا من 1.09 إلى 1.47، بزيادة تقارب 34.8%. والمقصود بالإيجابيات الكاذبة هنا هو الأمراض التي أدرجها النموذج ولم تتطابق مع الإجابات المرجعية للدراسة؛ ولا يشير ذلك إلى عدد العلاجات الخاطئة التي تلقاها المرضى فعليًا.
ووجدت الدراسة أيضًا أن التشخيصات التفريقية التي اقترحتها النماذج الاستدلالية، أي الأمراض المحتملة التي يقارن بينها الأطباء، كانت أكثر صلة من الناحية السريرية، لكن إجاباتها كانت أقل اتساقًا عند تكرار التشغيل. وأشارت تغطية Scienmag للورقة نفسها إلى أن ارتفاع الدقة المصحوب بزيادة الإيجابيات الكاذبة استمر مع اختلاف تصميم التعليمات الموجّهة للنماذج ومعلمات النماذج وأساليب التقييم، ما يشير إلى صعوبة حل المشكلة باستخدام أسلوب واحد لصياغة التعليمات.
لذلك اختبر الفريق تقسيمًا واضحًا للأدوار: يوسّع النموذج نطاق الاحتمالات التشخيصية، ثم يتحقق الأطباء من موثوقيتها. وفي اختبار تحقق شارك فيه 15 طبيبًا، حسّن هذا التعاون المنظّم الدقة وقلّل الإيجابيات الكاذبة أيضًا. وتدعم النتائج إدراج فرز الأطباء وحكمهم في سير العمل، لكن الأدلة لا تزال مستمدة من اختبارات استعادية مضبوطة، ولم تثبت بعد تحسّن نتائج رعاية المرضى الفعليين.
ويحتاج التحقق أيضًا إلى وقت. فبحسب i10X، استغرقت قراءة الأطباء للمحتوى الاستدلالي الكامل نحو 15 إلى 20 دقيقة لكل حالة، بينما استغرقت مراجعة المخرجات المختصرة نحو 5 إلى 8 دقائق. ولإدخال هذه الأدوات إلى بيئات العمل السريري المزدحمة، فإن كيفية تمكين الأطباء من العثور سريعًا على الأدلة الداعمة للتشخيص والثغرات في الاستدلال ستؤثر مباشرة في جدوى هذا التعاون.
وحدود هذه الدراسة واضحة أيضًا: فقد اعتمد التقييم الرئيسي على قائمة ثابتة من الأمراض المرشحة، واستخدم رموز تشخيصات الخروج من المستشفى مرجعًا، ما قد يجعله عرضة لتأثير قيود القائمة وأخطاء الترميز. كما أن السجلات الطبية القائمة لا تستطيع إعادة تمثيل عملية طرح الأطباء أسئلة متابعة وطلب فحوص إضافية وتغيّر حالة المريض بصورة كاملة. وتتطلب الخطوة التالية دراسات سريرية استباقية للتحقق مما إذا كانت دقة التشخيص الأعلى يمكن أن تُترجم في الممارسة اليومية إلى أخطاء تشخيصية أقل ونتائج أفضل للمرضى.