Overview of CHIP 2025 Shared Task 2: Discharge Medication Recommendation for Metabolic Diseases Based on Chinese Electronic Health Records

تخيل عالماً يكون فيه جسدك مدينة معقدة، وتكون فيه الأمراض المزمنة مثل السكري أو ارتفاع ضغط الدم بمثابة ازدحامات مرورية مستمرة لا يبدو أنها ستنتهي أبداً. وللحفاظ على سير العمل في المدينة، يعمل الأطباء كمنظمي حركة المرور، حيث يصفون "مركبات" محددة (الأدوية) للحفاظ على تدفق الحركة. ولكن الجزء الصعب هنا هو أن كل مدينة تختلف عن الأخرى، وكل سائق لديه عادات فريدة. إن تحديد المركبات التي يحتاجها المريض بالضبط ليأخذها معه إلى المنزل هو لغز هائل. فإذا تم اختيار المركبات الخاطئة، ستعود الازدحامات المرورية، وقد ينتهي الأمر بالمريض في المستشفى مرة أخرى. هذا هو جوهر "التوصية بالأدوية"، وهو مجال يحاول فيه العلماء استخدام الحواسيب لمساعدة الأطباء في اتخاذ هذه القرارات المنقذة للحياة.

لفترة طويلة، أصبحت الحواسيب أفضل في قراءة الملاحظات الطبية، لكنها تعلمت في الغالب من القصص المكتوبة باللغة الإنجليزية. يغوص هذا البحث في زاوية جديدة ومثيرة من العلوم: تعليم الحواسيب قراءة السجلات الطبية الصينية لحل هذا اللغز. الفكرة الرئيسية هي استخدام "السجلات الصحية الإلكترونية" (EHRs) — وهي مجرد مذكرات رقمية لإقامة المريض في المستشفى، مليئة بالأعراض، واختبارات المختبر، والتاريخ المرضي — وتغذيتها في "نماذج لغوية كبيرة" (LLMs) قوية. فكر في هذه النماذج اللغوية الكبيرة كأمناء مكتبات أذكياء جداً ومطلعين، قرأوا ملايين الكتب ويمكنهم الآن تعلم التنبؤ بقائمة الأدوية المثالية لمريض معين، فقط من خلال قراءة قصته. لماذا يهم هذا؟ لأن الحصول على الدواء الصحيح عند الخروج من المستشفى هو الفرق بين بقاء المريض بصحة جيدة في منزله أو تعرضه للمرض مرة أخرى.

---

لغز الأدوية العظيم: المهمة المشتركة CHIP 2025 - الجزء 2

في العالم الصاخب للذكاء الاصطناوي الطبي، أُطلقت مسابقة جديدة تسمى "CHIP 2025 Shared Task 2" لمعرفة ما إذا كان بإمكان الحواسيب إتقان فن التوصية بأدوية الخروج للمصابين بالأمراض الاستقلابية (التمثيل الغذائي). الأمراض الاستقلابية هي حالات مثل السكري ومرض الكبد الدهني، حيث تصبح عملية معالجة الطاقة في الجسم مختلة نوعاً ما. أراد المنظمون، وهم فريق من جامعة داليان للتكنولوجيا ومستشفى محلي، معرفة ما إذا كان بإمكان الذكاء الاصطناعي النظر في السجلات الطبية الصينية للمريض واقتراح قائمة الأدوية المناسبة تلقائياً ليأخذها المريض عند عودته للمنزل.

ولجعل هذا ممكناً، بنى الفريق ساحة تدريب خاصة تسمى CDrugRed. تخيل هذا كأنها مكتبة سرية ضخمة تحتوي على 5,894 قصة واقعية من المستشفيات لـ 3,190 مريضاً مختلفاً. تم تنظيف هذه القصص بعناية لحماية خصوصية المرضى، حيث تمت إزالة الأسماء والوجوه مع الحفاظ على التفاصيل الطبية سليمة. تتضمن المكتبة كل شيء بدءاً من عمر المريض ووزنه وصولاً إلى نتائج اختبارات المختبر، وتاريخهم الطبي السابق، وقائمة الأدوية الفعلية التي وصفها الأطباء عند خروج المريض. كان الهدف من أجل الذكاء الاصطناعي بسيطاً: قراءة القصة واختيار الأدوية الصحيحة من قائمة تضم 651 خياراً ممكناً.

كانت المسابقة نجاحاً باهراً، حيث سجل 526 فريقاً للمشاركة في حل هذا اللغز، تراوحت بين الباحثين الجامعيين وشركات التكنولوجيا. تم تقسيمهم إلى جولتين: جولة تدريبية (المرحلة A) والمواجهة النهائية (المرحلة B). وفي النهاية، قدمت 167 فريقاً أفضل تخميناتها للجولة التدريبية، ووصل 95 فريقاً إلى الاختبار النهائي.

كانت النتائج مزيجاً من "الذهول" و"لا يزال هناك الكثير لتعلمه". تمكن الفريق الأعلى أداءً، المسمى DeepDrug، من تحقيق درجة تجمع بين طريقتين مختلفتين لقياس النجاح: درجة جاكارد (Jaccard score) بلغت 0.5102 ودرجة F1 بلغت 0.6267. ولوضع ذلك في السياق، فقد وضع الباحثون نموذج حاسوبي أساسياً (ذكاء اصطناعي قياسي تم تدريبه على البيانات) حقق حوالي 0.5062 في الاختبار النهائي. لقد تفوق أفضل فريق على هذا النموذج الأساسي، ولكن ليس بفارق شاسع. لقد كان سباقاً محتدماً، حيث سجلت أفضل عشرة فرق درجات متقاربة جداً، مما يظهر أنه بينما أصبح الذكاء الاصطناعي جيداً في هذا المجال، إلا أنه لم يصبح مشكلة محلولة تماماً بعد.

إذن، كيف حقق الفائزون ذلك؟ يكشف البحث أن "الخلطة السرية" لم تكن مجرد روبوت واحد فائق الذكاء، بل كانت "فريقاً من الروبوتات" يعمل معاً. استخدمت الفرق المتصدرة، مثل DeepDrug وZZUNLP، استراتيجية تسمى التعلم الجماعي (ensemble learning). تخيل أنك تحاول تخمين إجابة لغز صعب؛ إذا سألت شخصاً واحداً، فقد يخطئ، ولكن إذا سألت خمسة أشخاص مختلفين وأخذت الإجابة التي اتفق عليها معظمهم، فمن المرجح أن تكون على صواب. قامت الفرق الفائزة بتدريب نماذج ذكاء اصطناعي متعددة ومختلفة، وتركت لكل منها وضع قائمتها الخاصة من الأدوية، ثم دمجت إجاباتها. حتى أن بعض الفرق استخدمت أنظمة "تصويت" حيث لا يدخل الدواء في القائمة النهائية إلا إذا اقترحته نموذجان أو ثلاثة نماذج مختلفة.

كما يسلط البحث الضوء على أن هذه النماذج الذكية لا تزال تتعلم. وبينما حسنت الفرق المتصدرة أداءها بشكل ملحوظ مقارنة بالنموذج الأساسي، فإن الدرجات تشير إلى أنه لا تزال هناك مساحة للنمو. يشير الباحثون إلى أن المهمة معقدة لأن المرضى جميعهم مختلفون، والنصوص الطبية فوضوية ومليئة بالمصطلحات التقنية. لم تعتمد النهج الفائزة على قوة الحوسبة الخام فحسب، بل استخدمت حِيلاً ذكية مثل "تعزيز البيانات" (إنشاء متغيرات وهمية ولكن واقعية لقصص المرضى لمساعدة الذكاء الاصطناعي على التعلم بشكل أفضل) و"هندسة الأوامر" (تعليم الذكاء الاصطناعي كيفية قراءة الملاحظات الطبية بدقة).

في النهاية، أظهرت هذه المسابقة أن الذكاء الاصطناعي المتقدم، وخاصة تلك القائمة على النماذج اللغوية الكبيرة، لديه إمكانات حقيقية لمساعدة الأطباء في الصين على إدارة الأمراض المزمنة. لقد أثبتت أنه مع البيانات الصحيحة والعمل الجماعي الذكي، يمكن للحواسيب أن تبدأ في فهم القصص المعقدة للصحة البشرية. ومع ذلك، يوضح المؤلفون بحذر أن هذه هي مجرد البداية. فالتحديات مثل الأمراض النادرة، والبيانات غير المتوازنة، وضمان عمل الذكاء الاصطناعي في مستشفيات مختلفة، لا تزال بحاجة إلى حل. في الوقت الحالي، الباب مفتوح لمزيد من الباحثين للانضمام إلى الحفل، باستخدام مجموعة بيانات CDrugRed لبناء أدوات أكثر ذكاءً يمكنها يوماً ما ضمان خروج كل مريض وهو يحمل الوصفة الطبية المثالية في يده.