غالبًا ما يُثير الذكاء الاصطناعي في مجال الرعاية الصحية جدلًا حول الدقة والتحيز والخصوصية. وتُشكّل سجلات المرضى محور كل ذلك. تُعدّ هذه السجلات نفسها أساسيةً لإحراز تقدمٍ في مجال البحوث الطبية، وكلما ازداد استخدامها، ازدادت التساؤلات حول الثقة والموافقة والإنصاف.
يعتقد باحثون من بريطانيا وألمانيا والدنمارك وسويسرا أن الذكاء الاصطناعي التوليدي قد يُوفر وسيلةً لتخفيف التوتر. في دراسة نُشرت في مجلة نيتشر ، وصف الباحثون كيفية تكييف مُحوِّل توليدي مُدرَّب مسبقًا (GPT) لالتقاط كيفية ظهور الأمراض المختلفة وتفاعلها وتطورها مع مرور الوقت.
وكان النظام الناتج، Delphi-2M ، قادرًا على التنبؤ بالنتائج الصحية على مدار العمر وإنشاء مرضى اصطناعيين يمكن استخدام سجلاتهم للتدريب دون الكشف عن الهويات الحقيقية.
وهنا نلقي نظرة على ما يكشفه Delphi-2M عن مستقبل الطب التنبئي والتحديات التي لا يمكنه حلها حتى الآن.
كيف يرسم Delphi-2M خريطة لغة الأمراض
سعى الباحثون في مشروع Delphi-2M إلى معرفة ما إذا كانت نفس المحولات المستخدمة في نماذج اللغة قادرة على رسم مسار المرض البشري. درّبوا نظامهم على قاعدة بيانات البنك الحيوي البريطاني طويلة الأمد، والتي تضم 400 ألف مشارك، ثم قارنوها بـ 1.9 مليون سجل من الدنمارك. وقد صمد النموذج بشكل جيد، على الرغم من اختلاف هيكل الرعاية الصحية والتركيبة السكانية لكلا المجموعتين.
يتعامل دلفي مع البيانات الطبية ككلمات في جملة. تصبح التشخيصات، ومؤشرات نمط الحياة، والتفاصيل الديموغرافية رموزًا يتعلم النموذج ربطها. ومن خلال هذه الروابط، يحسب متى وكيف قد تظهر أمراض جديدة .
وفقًا للدراسة، “يتنبأ الذكاء الاصطناعي Delphi-2M بمعدلات أكثر من 1000 مرض في السنوات القادمة “، ويحقق أحيانًا أداءً بمستوى درجات المخاطر المُحددة للخرف وأمراض القلب والأوعية الدموية. وكان معدل الوفيات من أكثر توقعاته ثقة.
هذا الاتساع غير مألوف في الممارسة السريرية، ولكنه يثير تساؤلاتٍ خاصة. وقد وصفت لين صوفيا، رائدة التكنولوجيا في فري ساوند ، نطاق دلفي بأنه سلاح ذو حدين.
وأشار الدكتور مايك روسي، نائب رئيس العلوم الانتقالية في ConcertAI ، إلى أن النهج الواسع الذي تتبعه دلفي قد يوفر ميزة مقارنة بالنماذج ضيقة النطاق. وقال “أتوقع أن نموذج Delphi-2M والنماذج المشابهة له قد يتفوق بشكل مفاجئ على العديد من نماذج الأمراض المركزة”، مؤكدا أن هناك حاجة إلى إجراء مقاييس أداء مكثفة قبل اكتساب هذه الثقة.
بيانات المرضى الاصطناعية ولغز الخصوصية
أحد الادعاءات الأكثر جرأة في ورقة Delphi-2M هو أن النموذج يمكنه توليد بيانات اصطناعية للمرضى (سجلات صحية مصممة لتبدو وكأنها سجلات حقيقية ولكنها خالية من المعرفات الشخصية).
من الواضح أن هذا النوع من البيانات يُمكّن الباحثين من العمل مع مجموعات بيانات ضخمة دون الكشف عن التاريخ الطبي لأي شخص. في الاختبارات التي دُرّب فيها النموذج على سجلات مصطنعة فقط، انخفضت الدقة بشكل طفيف فقط، مما يشير إلى أن هذا النهج قد يُساعد في تخفيف بعض قيود الخصوصية التي غالبًا ما تُبطئ مشاريع الذكاء الاصطناعي الطبي.
وفي الوقت نفسه، تؤكد النتائج أن البيانات الاصطناعية تحمل حدودًا تستحق المزيد من الاهتمام.
أولًا، لا تزال السجلات المصطنعة تعكس تحيزات البيانات المصدرية.
ولكن إذا تم إدارة استخدام بيانات المرضى الاصطناعية للتنبؤ بالأمراض بشكل سيء، فإن السجلات الاصطناعية ستُعيد إنتاج تحيزات في المادة المصدرية، بل وقد تُبرزها. لذا فإن الضمانات مثل عمليات التدقيق المستقلة وفرق التطوير المتنوعة ستكون ضرورية لضمان اكتساب البيانات الصحية الاصطناعية الثقة.
الذكاء الاصطناعي التنبئي ومستقبل الطب
ويزعم الفريق الذي يقف وراء مشروع Delphi-2M أنه قد يساعد صناع القرار في الحصول على رؤية أكثر وضوحًا للمجتمعات التي ستحتاج إلى المزيد من الموارد في العقود المقبلة، بينما يدعم أيضًا القرارات بشأن من يجب تقديم الاختبارات التشخيصية لهم أو إضافتهم إلى برامج الفحص.
على هامش هذا المجال، يسهل تصور الإمكانات، لكن طريق التبني أصعب بكثير. تميل المستشفيات والعيادات إلى التعامل بحذر مع الخوارزميات التي تؤثر على القرارات السريرية، ولسبب وجيه؛ وهو: في وقت سابق من هذا العام، أوهم نموذج ميد-جيميني من جوجل بتشخيص منشور ، يشير إلى سكتة دماغية في “عقدة قاعدية” غير موجودة. أثار هذا الخطأ انتقادات لاذعة، وذكّرنا بأن حتى أنظمة الذكاء الاصطناعي المتقدمة قد تُنتج نتائج مؤكدة ولكنها مضللة .
تؤكد صوفيا أن اعتماد نماذج الذكاء الاصطناعي في الرعاية الصحية سيعتمد على تضييق نطاق التركيز. وقالت: “سيكون من الضروري إجراء عمليات التحقق والدفاع عنها في مجالات محددة لضمان موثوقية حقيقية للممارسين والدافعين والمرضى”.
كما أشارت إلى صعوبة نقل بيانات التدريب الاصطناعية بين مختلف البلدان.
الخلاصة
قد يبدو Delphi-2M نموذجاً يتنبأ بمئات الحالات دفعةً واحدةً باستخدام بياناتٍ صحيةٍ مُركّبةٍ قويًا. لكن كيف يُمكننا معالجة مشكلة التحيّزات في البيانات الأصلية والانتقال العالمي لهذه التقنية؟
قد تستخدم الأنظمة الصحية في نهاية المطاف مثل هذه النماذج لاستكشاف السيناريوهات طويلة الأجل أو اختبار القدرة على التحمل، ولكن التبني السريري سيكون على الأرجح أبطأ وأكثر حذراً.
يرى روسي أن الثقة في مثل هذه النماذج تعتمد على الأدلة. وأكد أن “البيانات الاصطناعية غير المستندة إلى أدلة واقعية قد تُلحق الضرر. وتقع على عاتق المتخصصين الطبيين والعلماء وخبراء التكنولوجيا مسؤولية شرح مخاطر ومزايا أي تقنية”.
