Generated Context versus Governed State: Functional Conditions for Accountable Longitudinal Clinical Reasoning

على مدى عقود، لم تكن السجلات الرقمية لصحتنا سوى مجرد خزائن ملفات رقمية. فعندما يكتب الطبيب ملاحظة حول ضغط دم المريض، أو تسجل الممرضة تغييراً في جرعة الدواء، تُخزن هذه المعلومات كوثيقة، تماماً مثل رسالة في درج. ولفهم حالة المريض الحالية، يجب على البشر قراءة هذه الرسائل، وتجميع خيوط القصة، والاحتفاظ بالصورة الكاملة في أذهانهم. لقد كان هذا دائماً عمل الممارس السريري: إعادة بناء حقيقة صحة الشخص من مجموعة مبعثرة من الأوراق. وفي السنوات الأخيرة، وصلت أنظمة حاسوبية قوية تُعرف بنماذج اللغات الكبيرة، وهي قادرة على قراءة هذه الوثائق بسرعة وسلاسة مذهلتين. يمكن لهذه النماذج تلخيص تاريخ المريض في ثوانٍ، والإجابة على أسئلة كانت تستغرق من البشر ساعات من البحث. ولكن بينما تتفوق هذه الأنظمة في قراءة النص، إلا أنها لا تحتفظ بطبيعتها بسجل منفصل ومنظم لما هو حقيقي بالفعل عن المريض في أي لحظة معينة؛ فهي تعامل تاريخ المريض كتدفق من الكلمات التي يجب معالجتها، وليس كحالة حية يجب تتبعها.

هذه الفجوة بين القراءة بطلاقة والمعرفة بدقة هي المشكلة المركزية التي تعالجها ورقة بحثية جديدة من باحثين في "مايند وور ميد" (MyndwareMed). يجادل المؤلفون بأن معاملة التاريخ الطبي للمريض كمجرد مجموعة بسيطة من النصوص هو خلل جوهري عند محاولة بناء ذكاء اصطناعي يمكن الوثوق به في الرعاية طويلة الأمد. ويقترحون أن الاستدلال السريري ليس اختباراً لفهم المقروء، بل هو مشكلة تتعلق بتتبع واقع متغير. فتماماً كما يجب على الروبوت الذي يتنقل في غرفة أن يحدث باستمرار خريطته لمواقع الجدران والأبواب، يجب على النظام الطبي أن يحافظ على سجل مستمر ومحكوم لحالة المريض. ويميز الباحثون بين طريقتين مختلفتين تماماً للتعامل مع المعلومات: الأولى هي "السياق المُولَّد"، حيث يجمع الحاسوب الوثائق ذات الصلة لسؤال واحد ثم ينساها بمجرد تقديم الإجابة. والثانية هي "الحالة المحكومة"، حيث يحافظ النظام على سجل مستمر، ومُصنف النسخ، وقابل للتدقيق لما يعتقد أنه حقيقي، ويتم تحديثه فقط عبر قواعد صارمة تفصل بين ما تم ملاحظته وما تم استنتاجه.

لا تدعي الورقة أن هذه النماذج الحاسوبية الجديدة سيئة في القراءة؛ بل على العكس، غالباً ما تكون أفضل من البشر في إيجاد الأنماط في النصوص. المشكلة هي أن قراءة السجل لا تعني معرفة المريض. يوضح الباحثون أن الأنظمة الحالية غالباً ما تخلط بين الملاحظة المكتوبة والحقيقة الطبية، أو بين الوثيقة المفقودة والحالة المفقودة. على سبيل المثال، إذا كان المريض يعاني من مشكلة في الكلى قبل عشر سنوات ولم تُجرَ له أي فحوصات في العام الماضي، فقد يصرح نظام قياسي بثقة أن كلى المريض سليمة لأن أحدث ملاحظة لا تذكر وجود خطب ما. أما النظام ذو الحالة المحكومة، فسيدرك أن آخر قياس معروف قديم وأن الحالة الحالية غير معروفة؛ وسيقوم صراحةً بالإشارة إلى الفجوة في المعلومات بدلاً من ملئها بتخمين واثق. وهذا التمييز حيوي لأنه في الطب، الفرق بين "نحن نعلم أن هذا حقيقي" وبين "لم نرَ دليلاً على هذا" يمكن أن يحدد ما إذا كان العلاج آمناً أم خطيراً.

ولحل ذلك، يقوم المؤلفون بتفكيك العملية المعقدة للاستدلال الطبي إلى خمسة كائنات متميزة يجب عدم خلطها أبداً. أولاً، هناك الحالة الحقيقية للمريض، وهي الحالة الفيزيائية الفعلية لجسده؛ ولا يمكن لأي نظام امتلاكها مباشرة، بل يمكنه تقديرها فقط. ثانياً، هناك الملاحظات، وهي القياسات المحددة أو الملاحظات التي يسجلها فريق الرعاية. ثالثاً، هناك الدليل، وهو البيانات الخام التي يستوعبها النظام، كاملة بسجل يوضح متى كُتبت، ومتى استُلمت، ومن كتبها. رابعاً، هناك الاعتقاد، وهو أفضل تخمين للنظام حول حالة المريض بناءً على كل الأدلة التي رآها حتى الآن. وأخيراً، هناك المحاكاة، وهي سيناريو افتراضي يُستخدم لاختبار أسئلة "ماذا لو"، مثل ماذا سيحدث إذا تناول المريض دواءً مختلفاً. وتجادل الورقة بأن معظم أنظمة الذكاء الاصطناعي الحالية تدمج هذه الأشياء الخمسة المنفصلة في شيء واحد، حيث تعامل الملاحظات المتراكمة كما لو كانت الحقيقة الحالية. وهذا يؤدي إلى أخطاء حيث تُعامل المعلومات القديمة كأنها جديدة، أو حيث يُخلط بين التخمين والحقيقة.

يقترح الباحثون معياراً جديداً لكيفية بناء هذه الأنظمة، منظماً في إطار عمل متعدد المستويات يقيس مدى جودة إدارة النظام لحالة المريض. في المستوى الأدنى، قد يقوم النظام بمجرد تخزين النصوص. وفي المستويات الأعلى، يبدأ في تنظيم تلك النصوص إلى حقائق مهيكلة ذات مصادر وطوابع زمنية واضحة. ويتطلب المستوى الأكثر تقدماً أن يحافظ النظام على كائن "اعتقاد" منفصل عن الدليل الخام. ويجب أن يكون كائن الاعتقاد هذا قادراً على إظهار عدم اليقين، مثل الاعتراف بأن قياساً ما مفقود أو أن طبيبين مختلفين قدما تقارير متضاربة. والأهم من ذلك، يجب أن يكون هذا النظام قادراً على إعادة تشغيل تاريخه؛ فإذا سأل طبيب: "ماذا كنت تعتقد بشأن حالة قلب هذا المريض قبل ثلاثة أشهر؟"، يجب أن يكون النظام قادراً على إعادة بناء حالة معرفته الدقيقة في ذلك الوقت، بناءً على الأدلة التي كانت متاحة حينها، وليس الأدلة المتاحة اليوم. وهذه القدرة على النظر إلى الوراء ورؤية كيف تغير فهم النظام بمرور الوقت هي ما يسميه المؤلفون "المساءلة".

كما تقدم الورقة طريقة محددة للتعامل مع المعلومات المفقودة. في النظام القياسي، إذا لم يذكر السجل وجود حساسية، فقد يفترض النظام أن المريض ليس لديه حساسية. أما في النظام المحكوم، فيتم التعامل مع غياب المعلومات كنقطة بيانات من نوع خاص. يتعلم النظام التمييز بين "عدم توثيق وجود حساسية" (بمعنى أن السؤال لم يُطرح أبداً)، و"المريض يفيد بعدم وجود حساسية" (تقرير سلبي)، و"اختبار الحساسية سلبي" (ملاحظة سلبية). كل من هذه الحالات يحمل مستوى مختلفاً من اليقين ويتطلب استجابة سريرية مختلفة. ومن خلال تصنيف هذه الغيابات بشكل صحيح، يتجنب النظام عادة الافتراض بأن الصمت يعني السلامة. ويوضح المؤلفون ذلك بمثال مفصل لمريض يعاني من مشاكل في الكلى على مدار ست سنوات. فالنظام القياسي، الذي ينظر فقط إلى أحدث ملاحظة، قد يوصي بإجراء طبي محفوف بالمخاطر. أما النظام المحكوم، الذي يتتبع الجدول الزمني للقياسات والفجوات بينها، فسيحدد بشكل صحيح أن وظيفة كلى المريض الحالية غير معروفة وسيوصي بإجراء اختبار جديد قبل المضي قدماً.

يُقدم هذا العمل كإطار مفاهيمي وليس كمنتج نهائي. ويؤكد المؤلفون بوضوح أنهم لم يثبتوا بعد أن هذه البنية الجديدة تؤدي إلى نتائج أفضل للمرضى في تجربة واقعية. بدلاً من ذلك، فقد حددوا الشروط الضرورية لوجود مثل هذا النظام ووفروا طريقة لتدقيق أي نظام مستقبلي لمعرفة ما إذا كان يستوفي تلك الشروط. ويجادلون بأن التركيز الحالي على جعل نماذج اللغات أكثر ذكاءً وسرعة يخطئ الهدف؛ فالتحدي الحقيقي ليس في ذكاء القارئ، بل في حوكمة الحالة التي يقرأها. ويقترحون أنه لكي يكون الذكاء الاصطناعي مسؤولاً حقاً في بيئة المستشفى، يجب أن يتجاوز مجرد توليد النصوص ويبدأ في الحفاظ على سجل مستمر، ومُصنف النسخ، وقابل للتدقيق لما يعرفه وما لا يعرفه. وتختتم الورقة برسم الخطوط العريضة لبرنامج بحثي لبناء هذه الأنظمة، بدءاً من البنية التحتية الأساسية لتتبع الأدلة وصولاً إلى نموذج كامل لكيفية تغير المرضى بمرور الوقت. والهدف هو تحويل الوعد الغامض بـ "الذكاء الاصطناعي المسؤول" إلى مجموعة ملموسة من المتطلبات الهندسية التي يمكن فحصها واختبارها والوثوق بها.