From Multimodal Observation to Interpretable Suggestions: Counterfactual Time-Expanded Relational Modeling of Surgical Teams

في البيئة عالية المخاطر لغرفة العمليات، يعتمد نجاح الجراحة على ما هو أكثر بكثير من يد الجراح الثابتة؛ إذ يعتمد على التنسيق السلس وغير المرئي لفريق صغير يعمل في الوقت الفعلي. فعندما تتوقع ممرضة حاجةً ما قبل النطق بها، أو عندما يعدل القائد نبرة صوته لتهدئة توتر متصاعد، يعمل الفريق كوحدة واحدة فعالة. وعلى العكس من ذلك، عندما ينهار التواصل أو تندمج الأدوار، تتعرض سلامة المريض للخطر. لسنوات طويلة، ركز الذكاء الاصطناعي في الطب على الجوانب التقنية للجراحة: مثل تحليل الفيديو لتتبع حركة المشرط أو التنبؤ بمدة الإجراء الجراحي. ومع ذلك، تجاهلت هذه الأنظمة إلى حد كبير العنصر البشري المتمثل في العمل الجماعي، حيث تعاملت مع غرفة العمليات كمسرح للتنفيذ التقني بدلاً من كونها نظاماً بيئياً اجتماعياً معقداً. لقد كان التحدي يكمل في بناء نموذج حاسوبي يمكنه فهم ليس فقط ما يفعله الفريق، بل كيف يتفاعلون، وكيف تتغير تلك التفاعلات ثانية بثانية، وكيفية تقديم نصيحة مفيدة عندما تبدأ الأمور في السوء، كل ذلك مع العمل ببيانات محدودة جداً من الحالات الجراحية الحقيقية.

لقد تصدى فريق من الباحثين من جامعات في إيطاليا والنرويج لهذه المشكلة عبر ابتكار طريقة جديدة لرسم خرائط ديناميكيات الفرق الجراحية. فبدلاً من محاولة التنبؤ بنتيجة الجراحة بناءً على لقطة ثابتة، قاموا ببناء نظام يراقب تطور الفريق بمرور الوقت، معتبراً المجموعة شبكة حية من الروابط. قاموا بتسجيل عمليات محاكاة لاستبدال مفصل الركبة شملت فرقاً مكونة من أربعة إلى ستة أشخاص، حيث سجلوا كل شيء بدءاً من الكلمات المنطوقة ونبرة الصوت وصولاً إلى الحركات الجسدية للطاقم والأدوات التي استخدموها. ومن خلال تقسيم هذه التسجيلات إلى نوافذ مدتها خمس عشرة ثانية، أنشأ الباحثون سلسلة من "اللقطات" التي توضح من كان يتحدث مع من وماذا كان الجميع يفعل في تلك اللحظة تحديداً. ثم ربطوا هذه اللقطات معاً لتشكيل خريطة مستمرة وممتدة زمنياً لسلوك الفريق. وقد سمح هذا الهيكل للحاسوب ليس فقط برؤية العلاقات الفورية بين أعضاء الفريق، بل أيضاً بكيفية تمدد وانزياح تلك العلاقات على مدار الإجراء الجراحي، مما مكنه فعلياً من تعلم إيقاع الفريق الذي يعمل بكفاءة.

إن جوهر اكتشافهم هو نوع جديد من الشبكات العصبية، وهو برنامج حاسوبي مصمم لتعلم الأنماط، يتميز بالبراعة في المواقف التي تشح فيها البيانات. في عالم تعلم الآلة، غالباً ما تتطلب النماذج كميات هائلة من المعلومات للتعلم بفعالية، لكن التسجيلات الجراحية نادرة ومكلفة الإنتاج. وجد الباحثون أنه من خلال دمج تدفق الوقت مباشرة في بنية شبكتهم، استطاع نظامهم التعلم بقوة من مجموعة صغيرة مكونة من واحد وعشرين إجراءً محاكياً. وعند اختباره، تفوق هذا النهج بشكل ملحوظ على الأساليب الحالية التي تنظر إلى الوقت والعلاقات بشكل منفصل. فقد تمكن النظام من التنبؤ بدقة بخمسة أبعاد رئيسية للعمل الجماعي: مدى جودة تواصل الفريق، ومدى تنسيق حركاتهم، ومدى تعاونهم، وجودة قيادتهم، ووعيهم المشترك بالموقف. وأثبت النظام فعالية خاصة في تحديد العلامات الدقيقة لانزلاق الفريق نحو المشاكل، مثل تشتت انتباه القائد أو تردد الممرضة في التحدث.

وبعيداً عن مجرد التنبؤ بما سيحدث، طور الباحثون طريقة لتوليد مقترحات قابلة للتنفيذ من أجل التحسين. وهنا ينتقل النظام من كونه مراقباً سلبياً إلى كونه مدرباً نشطاً. فمن خلال مقارنة أداء فريق متعثر مقابل مكتبة من الأمثلة الناجحة، يمكن للنظام تحديد أصغر التغييرات الأكثر تحديداً اللازمة لتحويل النتيجة السيئة إلى نتيجة جيدة. هذه الاقتراحات ليست توصيات غامضة، بل هي تعليمات ملموسة وقابلة للتفسير. فعلى سبيل المثال، إذا اكتشف النظام أن الوعي بالموقف لدى الفريق ينخفض بسبب الكثير من الثرثرة غير ذات الصلة، فقد يقترح إزالة تلك التفاعلات المحددة الخارجة عن الموضوع. وفي سيناريو آخر، إذا تم إدراك أن نبرة القائد عدوانية وتتسبب في انغلاق الفريق، يمكن للنظام أن يقترح التحول نحو أسلوب حديث أكثر هدوءاً وتعاوناً. هذه الرؤى مستمدة من إيجاد لحظة مشابهة في جراحة ناجحة وإظهار ما كان مختلفاً بالضبط، مما يوفر مساراً واضحاً يمكن للفريق اتباعه.

لقد تحقق الباحثون من هذه النتائج من خلال اختبار صارم، حيث قارنوا منهجهم الجديد بمجموعة واسعة من النماذج الحالية، بدءاً من الأدوات الإحصائية البسيطة وصولاً إلى أنظمة التعلم العميق المعقدة. حقق نهجهم باستمرار دقة أعلى في التنبؤ بجودة العمل الجماعي، محققاً تحسناً في الأداء بنسبة تقارب سبعة بالمائة عن أفضل طريقة تالية له. والأهم من ذلك، عندما قيم الخبراء البشريون الاقتراحات التي ولدها النظام، وجدوا أنها أكثر واقعية وفائدة من تلك التي تنتجها التقنيات الأخرى المتطورة. كانت الاقتراحات في وقتها المناسب، حيث ظهرت في اللحظة التي يكون فيها التدخل أكثر فائدة، كما أنها عالجت الأسباب الجذرية للمشكلات بدلاً من مجرد معالجة أعراضها. وبينما أجريت الدراسة باستخدام عمليات جراحية محاكاة على نماذج طبية عالية الدقة بدلاً من المرضى الأحياء، فإن النتائج تظهر قدرة جديدة قوية: القدرة على استخدام الذكاء الاصطناعي لفهم ودعم النسيج الاجتماعي للفرق الطبية. ويشير هذا العمل إلى مستقبل لا تقتصر فيه التكنولوجيا على مساعدة يدي الجراح فحسب، بل تساعد الفريق بأكه على العمل معاً بشكل أكثر فعالية، مما قد يجعل غرفة العمليات مكاناً أكثر أماناً لكل المشاركين فيها.