في عالم الطب الحديث، لا تقتصر وظيفة الطبيب على مجرد تسمية المرض، بل هي عملية لجمع الأدلة، وطرح الأسئلة الصحيحة، وطلب اختبارات محددة، وتفسير النتائج التي قد تكون مفقودة أو غير واضحة، كل ذلك مع مراعاة قيود السلامة الخاصة بجسم الإنسان. عندما يدخل المريض إلى العيادة، يجب على الطبيب أن يقرر ما الذي سيسأل عنه تالياً بناءً على ما يعرفه بالفعل، وما رآه، وما يظل خفياً. هذا شكل من أشكال الاستدلال في ظل عدم اليقين، حيث يمكن أن تؤدي التخمينات الخاطئة إلى ضرر غير ضروري، ويمكن أن يؤدي تفويت دليل واحد إلى تأخير الرعاية المنقذة للحياة. لسنوات، حاول الباحثون تعليم الذكاء الاصطناعي كيف يتصرف كطبيب، عبر إنشاء برامج حاسوبية يمكنها الدردشة مع المرضى واقتراح العلاجات. ومع ذلك، غالباً ما تعاني هذه البرامج من الواقع الفوضوي للعمل السريري؛ فقد تخمن التشخيص دون وجود أدلة كافية، أو تعامل نتيجة اختبار مفقودة كما لو كانت طبيعية، أو تنسى قواعد السلامة التي تمنع الأخطاء الخطيرة. التحدي لا يكمس فقط في الوصول إلى الإجابة النهائية الصحيحة، بل في ضمان أن الرحلة بأكملها للوصء إلى تلك الإجابة آمنة ومنطقية ومبنية على الحقائق.

قدم فريق من الباحثين نظاماً جديداً يسمى "MediSkill-Evo"، صُمم لمساعدة الذكاء الاصطناعي على التنقل في هذه العملية المعقدة دون الحاجة إلى إعادة التدريب المستمر على كميات هائلة من البيانات الجديدة. بدلاً من محاولة حفظ كل حالة طبية ممكنة، يتعلم هذا النظام من خلال تنظيم تجاربه الماضية في أربع فئات متميزة، تماماً مثل الطبيب الذي يحتفظ بدفاتر ملاحظات منفصلة لأنواع مختلفة من المعرفة. يحمل أحد الدفاتر استراتيجيات عامة لتشخيص حالات معينة. ويسجل دفتر آخر القواعد الصارمة لسير العمل الطبي، مثل الاختبارات التي يجب إجراؤها قبل البدء في علاج ما. ويحدد دفتر ثالث بدقة ما الذي يعتبر دليلاً صالحاً ومن أين يمكن الحصول عليه، مما يضمن عدم اختلاق النظام للحقائق. أما الدفتر الرابع، فيخزن إجراءات النظر في الصور الطبية. وعندما يواجه النظام مريضاً جديداً، فإنه يستشير هذه الدفاتر لتوجيه أسئلته وأفعاله. والأهم من ذلك، أنه قبل أن يقترح أي علاج، يقوم فحص سلامة بالتحقق من أن الخطة تتبع القواعد وأنه لم يتم تخطي أي خطوات خطيرة. تسمح هذه العملية للنظام بتطوير قاعدة معرفته الخاصة، وتحسين أدائه بمرور الوقت من خلال التعلم من أخطائه ونجاحاته بطريقة منضبطة وآمنة.

اختبر الباحثون هذا النظام في سلسلة من المحاكاة الصارمة التي تحاكي التفاعلات السريرية الحقيقية. وقد وضعوا نظامهم الجديد في مواجهة برامج الذكاء الاصطناعي الطبية الأخرى باستخدام مجموعة من 300 حالة مريض لم يسبق رؤيتها. وفي هذه الاختبارات، تفوق نظام "MediSkill-Evo" بشكل كبير على منافسيه؛ حيث حدد التشخيص بشكل صحيح في 69 بالمائة من الحالات، مقارنة بـ 61 بالمائة للنظام الأفضل سابقاً. والأهم من ذلك، كان أفضل بكثير في اتباع العملية الصحيحة؛ فقد نجح في طلب الاختبارات الطبية اللازمة وجمع التاريخ المرضي المطلوب في 66 بالمائة من الحالات، وهو تحسن هائل مقارنة بـ 33 بالمائة التي حققها النظام القديم. كما ارتكب النظام الجديد أخطاءً حرجة أقل بكثير، مثل اقتراح علاجات غير آمنة أو تفويت علامات تحذيرية عاجلة. في النظام القديم، حدثت هذه الإخفاقات الحرجة في 31 بالمائة من الحالات، ولكن مع "MediSkill-Evo"، انخفض هذا الرقم إلى 16 بالمائة فقط. أثبت النظام أنه من خلال الفصل الصارم بين أنواع المعرفة المختلفة وفرض قواعد السلامة في كل خطوة، يمكن للذكاء الاصطناعي أن يصبح أكثر موثوقية وفعالية دون الحاجة إلى إعادة كتابته جذرياً.

ولضمان متانة النظام، أخضعه الباحثون لـ "اختبار جهد" مصمم لمحاكاة مواقف صعبة وغير متوقعة. لقد أنشأوا سيناريوهات حيث تكون المعلومات الحيوية مخفية أو متأخرة أو غير متوفرة، مما يجبر الذكاء الاصطناعي على اكتشاف كيفية المضي قدما دون التخمين. على سبيل المثال، اختبروا ما إذا كان النظام سيتعامل بشكل صحيح مع حالة رفض فيها المريض الإجابة على سؤال، أو في حالة كان فيها اختبار معين مفقوداً بشكل دائم. في هذه المواقف عالية الضغط، أظهر النظام مرونة ملحوظة؛ فعند مواجهة سلوكيات صعبة من المرضى، نجح في استعادة الحقائق اللازمة بنسبة 93 بالمائة. وعند التعامل مع معلومات الجدول الزمني المفقودة، استعاد تسلسل الأحداث الصحيح بنسبة 100 بالمائة. وحتى عندما تم إخفاء علامة تحذيرية حرجة حتى نهاية المحادثة، فقد حددها وتصرف بناءً عليها بنسبة 92 بالمائة. تشير هذه النتائج إلى أن النظام لا يحفظ الإجابات فحسب، بل تعلم عملية مرنة لجمع الأدلة واتخاذ قرارات آمنة، حتى عندما يكون الطريق مسدوداً.

استكشف الباحثون أيضاً كيف يمكن لهذا النظام العمل مع الصور الطبية، مثل الأشعة السينية أو الأشعة المقطعية، والتي تعد جزءاً حيوياً من التشخيص الحديث. فقد اختبروا نسخة من النظام يمكنها استخدام أداة متخصصة لتسليط الضوء على مناطق محددة في الصورة، مما يساعده على التركيز على التفاصيل الأكثر صلة. وفي مجموعة صغيرة مكونة من 100 حالة تتضمن صوراً طبية معقدة، تمكن النظام الذي استخدم هذه الأداة البصرية من تقديم تشخيص صحيح في كثير من الأحيان أكثر من النسخة التي لم تستخدمها. ومع ذلك، كان الباحثون حذرين في ملاحظة أن هذا كان اختباراً استكشافياً لمعرفة ما إذا كانت الواجهة تعمل، وليس إثباتاً نهائياً على أن الأداة جعلت النظام أكثر ذكاءً. وقد أكدوا أن قدرة النظام على التعامل مع الصور لا تزال قيد التطوير، وأن النجاح الرئيسي للمشروع يكمن في قدرته على إدارة المحادثة ومنطق التشخيص.

وعلى الرغم من هذه النتائج الواعدة، فإن المؤلفين واضحون بشأن حدود عملهم. فقد ذكروا أن نتائجهم تستند إلى عمليات محاكاة ولا تثبت أن النظام جاهز لعلاج المرضى الحقيقيين. أُجريت الاختبارات في بيئة محكومة حيث كان "المرضى" عبارة عن برامج حاسوبية تتبع نصوصاً صارمة، وكان "الأطباء" نماذج ذكاء اصطناعي. ويحذر الباحثون صراحة من أن نظامهم لم يتم التحقق منه من قبل أطباء حقيقيين، ولم يتم اختباره على مجموعات متنوعة من البشر الحقيقيين. كما حذروا من أن درجات السلامة التلقائية التي استخدموها ليست بديلاً عن الحكم البشري، وأنه لا ينبغي استخدام النظام للرعاية الطبية الفعلية دون مزيد من الاختبار والرقابة. لم يكن الهدف من هذا البحث هو استبدال الأطباء، بل إظهار طريقة جديدة لبناء أدوات ذكاء اصطناعي تحترم قواعد الأدلة والسلامة. ومن خلال إظهار أن الذكاء الاصطناعي يمكنه تعلم تنظيم معرفته واتباع عملية صارمة، تقدم الدراسة مخططاً لبناء أدوات طبية مستقبلية أكثر أماناً وموثوقية وقدرة على التعامل مع تعقيدات الصحة البشرية.

إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد التشخيص الطبي. فهي تقترح نهجاً جديداً لبناء أنظمة ذكية يجب أن تعمل في بيئات عالية المخاطر. فبدلاً من الاعتماد على "عقل" واحد ضخم يحاول تذكر كل شيء، يستخدم النظام ذاكرة مهيكلة تحافظ على فصل أنواع المعلومات المختلفة وتتحقق منها مقابل قواعد صارمة. تضمن هذه الطة عدم خلط النظام عن طريق الخطأ بين استراتيجية عامة وقاعدة سلامة محددة، أو معاملة حقيقة مفقودة كأنها معلومة معروفة. وجد الباحثون أنه عندما تتم إدارة هذه الأنواع المختلفة من المعرفة بشكل منفصل والتحقق منها تجاه بعضها البعض، يصبح النظام أكثر موثوقية. يمكن تطبيق هذا النهج في مجالات أخرى حيث تكون السلامة والدقة أمراً بالغ الأهمية، مثل الاستشارات القانونية، أو التخطيط المالي، أو الاستجابة للطوارئ، حيث تكون تكلفة الخطأ أعلى من أن تعتمد على التخمين.

في النهاية، قصة "MediSkill-Evo" ليست عن آلة حلت لغز المرض، بل هي عن آلة تعلمت كيف تتصرف كمهني منضبط وحذر. إنها تظهر أنه من خلال منح الذكاء الاصطناعي مجموعة واضحة من القواعد، وطريقة مهيكلة لتذكر ماضيه، وآلية للتحقق من عمله، يمكننا إنشاء أنظمة أقل عرضة لارتكاب أخطاء خطيرة. لا يدعي النظام أنه يعرف كل شيء، ولا يتظاهر بأنه طبيب بشري؛ بل يدعي أنه أداة تتبع العملية، وتحترم الأدلة، وتضع السلامة فوق كل اعتبار. وبينما يمضي الباحثون قدماً، يخططون لمواصلة صقل هذه القواعد واختبار النظام في سيناريوهات أكثر تعقيداً، مع وضع نصب أعينهم دائماً أن الهدف النهائي هو دعم الأطباء البشر، وليس استبدالهم. إن الطريق نحو ذكاء اصطناعي طبي آمن وفعال طويل، لكن هذه الدراسة توفر خطوة واضحة وواعدة في الاتجاه الصحيح.