💬 NLP

Empowering Healthcare Practitioners with Language Models: Structuring Speech Transcripts in Two Real-World Clinical Applications

تتناول هذه الورقة التحديات غير المستكشفة المتمثلة في التقارير الجدولية المهيكلة من إملاءات الممرضين واستخراج الأوامر الطبية من الاستشارات، وذلك من خلال تقييم نماذج لغوية كبيرة متنوعة، واقتراح مسار وكيل (agentic pipeline) لتوليد بيانات اصطناعية، وإصدار أول مجموعات بيانات مفتوحة المصدر (SYNUR وSIMORD) لدعم مهام التوثيق السريري الحرجة هذه.

المؤلفون الأصليون: Jean-Philippe Corbeil, Asma Ben Abacha, George Michalopoulos, Phillip Swazinna, Miguel Del-Agua, Jerome Tremblay, Akila Jeeson Daniel, Cari Bader, Yu-Cheng Cho, Pooja Krishnan, Nathan Bodenstab, Thoma

نُشر 2026-02-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jean-Philippe Corbeil, Asma Ben Abacha, George Michalopoulos, Phillip Swazinna, Miguel Del-Agua, Jerome Tremblay, Akila Jeeson Daniel, Cari Bader, Yu-Cheng Cho, Pooja Krishnan, Nathan Bodenstab, Thomas Lin, Wenxuan Teng, Francois Beaulieu, Paul Vozila

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل المستشفى كمطبخ صاخب وعالي المخاطر. الطهاة (الأطباء) مشغولون في إعداد خطط علاجية معقدة، بينما يتنقل مساعدو الطهاة (الممرضون) في الأرجاء لتلقي الطلبات، وفحص درجات الحرارة، وتدوين كل ما يحدث بدقة مع كل طبق (مريض).

في الوقت الحالي، وبعد نوبة عمل فوضوية، يتعين على كل من الطهاة ومساعدي الطهاة التوقف والجلوس والكتابة على الكمبيوتر لتدوين ملاحظات طويلة وغير منظمة. هذا هو "عبء التوثيق". إنه يستنزف الوقت الذي كان من المفترض أن يُقضى في رعاية المريض.

يتحدث هذا البحث عن بناء مساعد رقمي فائق الذكاء (يعمل بنماذج اللغات الكبيرة - LLMs) يستمع إلى الطهاة ومساعدي الطهاة وهم يتحدثون، ويحول كلماتهم المنطلقة فوراً إلى نماذج حاسوبية مرتبة ومنظمة.

إليك تفصيل لمشروعيهما الرئيسيين، مشروحين باستعارات من عالم المطبخ:

1. مشروع "مساعد الطاهي": تحويل حديث الممرض إلى قوائم تحقق

المشكلة: غالباً ما يملي الممرضون ملاحظات مثل هذه: "آه، تنفس المريض ثقيل بعض الشيء، وهو يستخدم ذلك الأنبوب الصغير في الأنف، وأوه، وزنه حوالي 98 كيلوغراماً".
في نظام كمبيوتر المستشفى، يجب إدخال هذا في جدول بيانات ضخم (يسمى "ورقة التدفق" أو flowsheet) مع خانات محددة: نمط التنفس: مجهد، جهاز الأكسجين: قنية أنفية، الوزن: 98 كجم.

التحدي:

مشكلة "الضياع في المنتصف": جداول البيانات ضخمة جداً (آلاف الصفوف) لدرجة أن الذكاء الاصطناعي يشعر بالارتباك، مثل طالب يحاول قراءة موسوعة كاملة ليجد كلمة واحدة فقط.
مشكلة "الكلام غير المنظم": يتحدث الممرضون مع وجود توقفات، وكلمات مثل "آه" و"اممم"، وتصحيحات ذاتية. يجب على الذكاء الاصطناعي أن يفهم أن قول "آه، التنفس... اممم ثقيل" يعني "مجهد".

الحل:
بنى الفريق عملية مكونة من ثلاث خطوات:

التقطيع: قاموا بتقسيم الكلام الطويل إلى قطع صغيرة ومنطقية.
إيجاد القائمة المناسبة: يستخدمون "محرك بحث" (RAG) للعثور فقط على الصفوف ذات الصلة في جدول البيانات الضخم والتي تتطابق مع الجزء الحالي من الكلام.
ملء النموذج: يقوم الذكاء الاصطناعي بملء الخانات المحددة.

الخلطة السرية (SYNUR):
لم يكن لديهم تسجيلات حقيقية كافية للممرضين لتدريب الذكاء الاصطناعي (بسبب صرامة خصوصية المريض). لذا، ابتكروا SYNUR، وهي مجموعة بيانات "وهمية". استخدموا ذكاءً اصطناعياً لتخيل سيناريوهات واقعية للممرضين، ثم جعلوا ممرضين حقيقيين يتحققون منها. إنها تشبه جهاز محاكاة الطيران للممرضين: يتدرب الذكاء الاصطناعي على رحلات وهمية ليكون مستعداً للرحلة الحقيقية.

2. مشروع "رئيس الطهاة": تحويل محادثات الأطباء إلى أوامر

المشكلة: يتحدث الطبيب مع المريض لمدة 20 دقيقة. وفي مكان ما من هذه المحادثة، يقول: "حسناً، لنقم بإجراء فحص دم لمرض السكري الخاص بك وربما نبدأ لك حبة قلب".
يجب على الذكاء الاصطناعي استخراج هذه المعلومات كـ "أوامر طبية" رسمية بتفاصيل محددة: النوع: فحص مخبري، الوصف: الهيموجلوبين السكري (A1c)، السبب: السكري من النوع الأول.

التحدي:

"الإبرة في كومة قش": الأوامر مدفونة داخل محادثات طويلة وعفوية.
مشكلة "الصيغة الحرة": لا يتحدث الأطباء بلغة برمجية (JSON) مثالية. يقولون أشياء مثل: "أعتقد أنه ينبغي لنا ربما إجراء فحص بالأشعة المقطعية، ربما غداً، للتحقق من تلك العدوى". يجب على الذكاء الاصطناعي معرفة ما هو الشيء، ولماذا، ومن أين (أي جزء من المحادثة جاء منه).

الحل:
أنشأوا SIMORD، وهي مجموعة بيانات لمحادثات محاكية بين طبيب ومريض مع إجابات "معيارية ذهبية" مثالية. واختبروا نماذج ذكاء اصطناعي مختلفة لمعرفة من يمكنه العمل ككاتب طبي بارع.

النتائج:

العمالقة: قامت نماذج الذكاء الاصطناعي الأكبر والأغلى ثمنًا (مثل GPT-4o) بعمل رائع، لكنها بطيئة ومكلفة.
المنافسون غير المتوقعون: للمفاجأة، أدى نموذج أصغر ومفتوح المصدر (MediPhi) أداءً يضاهي النماذج العملاقة عندما تم إعطاؤه بضعة أمثلة للتعلم منها. وهذا أمر ضخم لأنه يعني أن المستشفيات يمكنها تشغيل هذا النظام على أجهزتها الخاصة دون دفع رسوم باهظة لعمالقة التكنولوجيا.
نماذج "التفكير": كانت نماذج الذكاء الاصطناعي الجديدة التي "تفكر" قبل أن تتحدث (مثل o1) مذهلة في تحديد أين ورد الأمر في المحادثة (المصدر/Provenance)، لكنها أحياناً ارتبكت بشأن التفاصيل الفعلية.

لماذا يهم هذا؟
فكر في هذا البحث كونه مخططاً لـ أتمتة الأعمال الورقية حتى يتمكن العاملون في الرعاية الصحية من التوقف عن كونهم موظفي إدخال بيانات والعودة لكونهم مقدمي رعاية.

للممرضين: يحول جلسة كتابة مدتها 10 دقائق إلى ملاحظة صوتية مدتها 10 ثوانٍ.
للأطباء: يضمن عدم ضياع أي أمر علاجي وسط ضجيج المحادثة المزدحمة.
للجميع: من خلال إتاحة هذه المجموعات من البيانات "الوهمية" ولكن الواقعية (SYNUR و SIMORD) للجمهور، سلم المؤلفون المفاتيم للعالم أجمع. الآن، يمكن لأي باحث بناء أدوات أفضل دون الحاجة إلى سرقة بيانات المرضى الخاصة.

باختة القول: لقد علموا الحواسيب كيف تستمع إلى فوضى المستشفى، وتفهم المصطلحات الطبية، وتؤرشف كل شيء بدقة، مما يعيد للأطباء والممرضين أثمن مورد لديهم: الوقت مع مرضاهم.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تمكين ممارسي الرعاية الصحية باستخدام النماذج اللغوية: هيكلة النصوص المنطوقة في تطبيقين سريريين من الواقع العملي."

1. بيان المشكلة

على الرغم من نجاح النماذج اللغوية الكبيرة (LLMs) في الاختبارات المعيارية الطبية (مثل MedQA وMMLU-Medical)، إلا أن هناك مهمتين في معالجة اللغات الطبيعية (NLP) ذات تأثير عالٍ في العالم الحقيقي لا تزالان غير مستكشفتين بشكل كافٍ بسبب ندرة البيانات، والحساسية، والتعقيد:

التقارير المهيكلة من إملاءات الممرضين: تحويل الكلام غير المهيكل، والذي غالباً ما يتسم بعدم الانسيابية، من الممرضين إلى مدخلات مهيكلة في جداول تدفق السجلات الصحية الإلكترونية (EHR). يمثل هذا تحدياً بسبب السياقات الطويلة، وجداول التدفق "الفائضة" (التي تحتوي على مئات الصفوف)، والحاجة إلى ربط اللغة المنطوقة بمفاتيح مخططات (schema) محددة.
استخراج الأوامر الطبية من الاستشارات بين الطبيب والمريض: استخراج الأوامر الطبية المهيكلة (الأدوية، المختبر، التصوير، المتابعة) مع الأسباب والمصدر من حوارات طويلة ومعقدة بين الطبيب والمريض. يتضمن ذلك توليد حقول حرة (الوصف/السبب) جنباً إلى جنب مع التسميات المهيكلة.

لقد أعاق نقص مجموعات البيانات العامة عالية الجودة لهذه المهام المحددة عملية تقييم ونشر حلول الذكاء الاصطناعي التي يمكن أن تقلل بشكل كبير من أعباء التوثيق على مقدمي الرعاية الصحية.

2. المنهجية

يقترح المؤلفون نهجاً مزدوجاً يتضمن إنشاء مجموعات بيانات جديدة وتقييم بنيات مختلفة من النماذج اللغوية الكبيرة (سواء كانت ذات أوزان مفتوحة أو مغلقة).

أ. إنشاء البيانات

1. مجموعة SYNUR (مجموعة التمريض الاصطناعية):
لمعالجة ندرة بيانات إملاءات الممرضين، طور المؤلفون خط أنابيب وكيل (agentic pipeline) مكون من ست مراحل لتوليد بيانات اصطناعية واقعية وغير حساسة:

توليد البذور: بدأ الأمر بـ 80 إملاءً مصطنعاً تم التحقق منها بشرياً.
تنقيب وتوسيع الأنطولوجيا (Ontology Mining): استُخدمت النماذج اللغوية الكبيرة لاستخراج 547 ملاحظة، وتلخيصها في 97 مفهوماً، وتوسيع الأنطولوجيا إلى 193 مفهوماً (تم التحقق منها من قبل ممرضين خبراء).
توليد السيناريوهات والإملاءات: تم توليد مسوغات لحالات المرضى ودمجها مع الأنطولوجيا لإنشاء 456 سيناريو فريداً. ثم تم تمرير هذه السيناريوهات إلى نموذج (GPT-4o) لتوليد إملاءات تمريضية واقعية، بما في ذلك التلعثم الطبيعي والتصحيحات.
التوسيم (Annotation): قام ممرضون خبراء بتوسيم البيانات الاصطناعية، مما نتج عنه 223 إملاءً اصطناعياً يحتوي على 3,000 ملاحظة.
التحقق: تم التحقق من صحة البيانات الاصطناعية عبر "النموذج اللغوي كحكم" (LLM-as-a-Judge) (بدرجة تقييم حوالي 3/4 للجودة والواقعية) واتفاق المقيّمين (دقة بنسبة 86.8%، ومعامل كابا $\kappa=0.634$ ).

2. مجموعة SIMORD (مجموعة الأوامر المحاكية):

تم إنشاؤها عن طريق إعادة توسيم محادثات عالية الجودة من مجموعات البيانات الموجودة (ACI-Bench وPriMock57).
استخرج مخصصون مدربون طبياً الأوامر الطبية (الدواء، المختبر، التصوير، المتابعة) بما في ذلك الأوصاف، والأسباب، والمصدر (أرقام الأسطر).
تتضمن مجموعة البيانات 64 عينة تدريب و100 عينة اختبار (إجمالي 255 أمراً).

ب. منهجيات المهام

المهمة 1: استخراج ملاحظات التمريض

خط الأنابيب (Pipeline): عملية مكونة من ثلاث خطوات للتعامل مع السياقات الطويلة وقيود المخطط (schema):
1. التقسيم (Segmentation): يقوم نموذج لغوي بتقسيم النص المنقول (transcript) إلى أجزاء متماسكة طبياً وغير متداخلة.
2. تصفية RAG: تقليل مخطط جدول التدفق الضخم (مئات الصفوف) إلى أفضل $N$ من المرشحين ذوي الصلة بناءً على تشابه الجيب تماماً (cosine similarity) مع الجزء الحالي.
3. الاستخراج: يستخرج نموذج لغوي الملاحظة والقيمة، مع توحيدها لتناسب المخطط المختصر.
النماذج التي تم تقييمها: النماذج ذات الأوزان المغلقة (GPT-4o, 4o-mini, 4.1, 4.1-mini).

المهمة 2: استخراج الأوامر الطبية

خط الأنابيب: استخراج مباشر قائم على التلقين (prompt-based) لكائنات JSON تحتوي على order_type (نوع الأمر)، وdescription (الوصف)، وreason (السبب)، وprovenance (المصدر).
النماذج التي تم تقييمها:
- الأوزان المغلقة: GPT-4o, GPT-4.1, o1-mini, o1-prev, o3-mini.
- الأوزان المفتوحة: Phi-3.5-mini-instruct, MediPhi-Instruct (3.8B), Llama3-8B-instruct, Llama3-Med42-8B.
الإعدادات: التعلم من الصفر (Zero-shot) والتعلم من أمثلة قليلة (Few-shot) (مثال أو مثالين).

3. المساهمات الرئيسية

مجموعة بيانات SYNUR: أول مجموعة بيانات تمريض اصطناعية مفتوحة المصدر لاستخراج الملاحظات المهيكلة من الإملاءات المنطوقة، مما يعالج قضايا خصوصية البيانات والندرة.
مجموعة بيانات SIMORD: أول مجموعة بيانات مفتوحة المصدر لاستخراج الأوامر الطبية من النصوص المحاكية للحوارات بين الطبيب والمريض.
خط أنابيب البيانات الوكيل (Agentic Data Pipeline): إطار عمل مبتكر لتوليد بيانات سريرية اصطناعية واقعية وموسومة باستخدام حلقة تكرارية بين الخبراء المتخصصين والنماذج اللغوية الكبيرة.
التقييم الشامل: أول تقييم منهجي للنماذج اللغوية الكبيرة، سواء ذات الأوزان المفتوحة أو المغلقة، في مهام الاستخراج السريري هذه، مما يسلط الض الضوء على جدوى النماذج خفيفة الوزن.

4. النتائج

استخراج ملاحظات التمريض (SYNUR والبيانات المملوكة)

أداء النماذج: تفوق GPT-4.1 باستمرار على النماذج الأخرى ذات الأوزان المغلقة عبر مجموعات البيانات المستشفيات المملوكة (تراوحت درجات F1 بين 88.2% و93.6%).
الاصطناعي مقابل الحقيقي: حقق GPT-4o أفضل أداء على مجموعة SYNUR الاصطناعية (ربما بسبب تداخل بيانات التدريب)، بينما تصدر GPT-4.1 في بيانات المستشفيات الحقيقية.
التعلم من أمثلة قليلة (Few-Shot Learning): أدى تضمين الأمثلة في التلقين إلى تحسين درجات F1 بشكل كبير لجميع النماذج.
تحليل الأخطاء: واجهت النماذج صعوبة في ربط القيم بمقاييس طبية محددة واستنتاج المعرفات المفقودة.

استخراج الأوامر الطبية (SIMORD)

النماذج ذات الأوزان المغلقة: لم يهيمن نموذج واحد على جميع المقاييس.
- تفوق GPT-4o في استخراج Description (الوصف) وType (النوع).
- أظهر o1-mini أداءً فائقاً في Provenance (تحديد مصدر الأسطر)، ربباً بسبب قدراته في الاستنتاج.
- نماذج الاستنتاج (سلسلة o1): أظهرت تحسناً هائلاً (+25.7%) في Provenance لكنها لم تتفوق باستمرار على غيرها في Description أو Type.
- مشكلات التحليل (Parsing): أنتجت نماذج مثل o1-preview وGPT-4.1 غالباً ملفات JSON غير صالحة (تسلسلات ممتدة)، بينما حافظت نماذج 4o وo1-mini وo3-mini على معدل أخطاء أقل من 1%.
النماذج ذات الأوزان المفتوحة:
- MediPhi-Instruct (3.8B): مع استخدام التلقين من نوع (two-shot)، تفوق على GPT-4o في مقياس Description وحقق التكافؤ في مقاييس Match وType ، مما يثبت جدوى النماذج الصغيرة ذات الأوزان المفتوحة لهذه المهمة.
- Llama3-8B: حقق درجات في Description وReason مقاربة لـ GPT-4o في إعدادات (few-shot).
الفجوات في المقاييس: توجد فجوة كبيرة (>30%) بين درجات Match (وجود الأمر) ودرجات Description (الوصف)، مما يشير إلى أنه بينما تجد النماذج الأمر، فإن توليد الوصف النصي الدقيق يظل تحدياً.

5. الأهمية والقيود

الأهمية:

التكامل مع سير العمل: تم تصميم خطوط الأنابيب المقترحة (خاصة استخراج ملاحظات التمريض) لتتكامل مباشرة مع جداول تدفق السجلات الصحية الإلكترونية الحالية دون تغيير الروتين المتبع، مما يوفر مساراً عملياً لتقليل عبء التوثيق.
الديمقراطية: من خلال إصدار SYNUR وSIMORD، يوفر المؤلفون موارد حيوية لمجتمع البحث لتعزيز معالجة اللغات الطبيعية السريرية بما يتجاوز الاختبارات المعيارية.
كفاءة النماذج: تشير النتائج إلى أن النماذج خفيفة الوزن ذات الأوزان المفتوحة (مثل 3.8 مليار معلمة) يمكن أن تضاهي النماذج الضخمة المملوكة في مهام الاستخراج السريري المحددة عند تلقينها بشكل صحيح، مما يوفر خيارات نشر فعالة من حيث التكلفة.

القيود:

دقة البيانات الاصطناعية: رغم جودتها العالية، لا يمكن لبيانات SYNUR الاصطناعية أن تلتقط تماماً ثراء وتنوع اللغة السريرية الحقيقية.
حجم مجموعة البيانات: تعتبر SIMORD صغيرة نسبياً (64 عينة تدريب)، مما يحد من فائدتها في ضبط النماذج (fine-tuning).
تباين التوسيم: الضوضاء الطبيعية في التوسيم (مثل حدود النطاق، أو الصياغة غير الرسمية) تضع سقفاً للأداء الذي يمكن تحقيقه.
الوصول إلى الكود: لا يمكن مشاركة الكود الكامل لاستخراج التمريض بسبب القيود الملكية، وإن كان قد تم توفير نماذج تلقين مبسطة.

في الختام، تثبت هذه الورقة أن النماذج اللغوية الكبيرة جاهزة لمعالجة المهام السريرية المعقدة من غير المهيكلة إلى المهيكلة، بشرط استخدام استراتيجيات بيانات قوية (مثل التوليد الاصطناعي) وخطوط أنابيب مخصصة (مثل RAG والتقسيم) للتعامل مع القيود المحددة لسير العمل السريري.