Speech-to-SOAP: End-to-End Summarization of Medical Dialogues: KIT@BeTraC 2026

في الإيقاع اليومي لزيارة الطبيب، يُقضى جزء كبير من الوقت غالباً ليس مع المريض، بل أمام جهاز الكمبيوتر. فبينما يستمع الطبيب إلى الأعراض ويطرح الأسئلة، يتعين عليه في الوقت ذاته كتابة الملاحظات في سجل رقمي، وهي مهمة تسحب انتباهه بعيداً عن الشخص الموجود أمامه. ويُعد عبء التوثيق هذا مصدراً معروفاً للإرهاق للعاملين في مجال الرعاية الصحية. ولحل هذه المشكلة، بحث الباحثون منذ فترة طويلة في تقنية التعرف على الكلام، آملين في تحويل الكلمات المنطوقة مباشرة إلى سجلات طبية. ومع ذلك، فإن مجرد نسخة نصية لما قيل نادراً ما تكون كافية؛ إذ يتمثل الهدف في إنشاء ملخص مهيكل يُعرف باسم ملاحظة "SOAP". ينظم هذا التنسيق الزيارة في أربعة أقسام متميزة: شكاوى المريض الذاتية (Subjective)، والنتائج الموضوعية (Objective) من الفحص، وتقييم الطبيب (Assessment)، وخطة العلاج (Plan). وتكمن الصعوبة في تعليم الكمبيوتر كيفية الاستماع إلى محادثة، وفهم السياق الطبي، وكتابة هذا النوع المحدد من الملخصات دون تدخل بشري، كل ذلك مع الحفاظ على الإشارات الدقيقة مثل السعال أو التوقف الذي قد يُفقد إذا اضطر الكمبيوتر أولاً إلى تدوين كل كلمة قبل تلخيصها.

وضع فريق من الباحثين من معهد كارلسروه للتكنولوجيا وجامعة كارنيجي ميلون هدفاً لمعالجة هذه المشكلة في تحدي "BeTraC" لعام 2026، وهي مسابقة مصمما لاختبار مدى قدرة الآلات على أتمتة التوثيق الطبي. ركز نهجهم، الذي حمل عنوان "Speech-to-SOAP"، على بناء نظام يمكنه الاستماع إلى حوار بين الطبيب والمريض وتوليد الملاحظة الطبية النهائية في خطوة مستمرة واحدة، متجاوزاً الخطوة الوسيطة المتمثلة في كتابة نص كامل أولاً. وقد استخدموا نوعاً قوياً من نماذج الذكاء الاصطناعي يُعرف بالنموذج التأسيسي (foundation model)، والذي تم تدريبه مسبقاً على كميات هائلة من البيانات اللغوية والصوتية العامة. لم يكن ابتكار الباحثين الرئيسي يكمن فقط في استخدام هذا النموذج الموجود، بل في تعليمه كيفية التعامل مع الطبيعة الفوضوية والمتنوعة للمحادثات الطبية الحقيقية. فقد أنشأوا مسار عمل يجمع بين عدة مجموعات بيانات مختلفة، بما في ذلك بعض المجموعات الاصطناعية بالكامل وأخرى تحتوي على تسجيلات حقيقية، لتدريب النظام. وبالنسبة للمحادثات التي افتقرت إلى تسجيلات صوتية، استخدموا كلاماً مولداً بواسطة الكمبيوتر لملء الفجوات، مما ضمن قدرة النموذج على التعلم من حجم هائل من الأمثلة يصل إلى أكثر من 1.6 مليون ساعة من الصوت.

لجعل بيانات التدريب مفيدة، كان على الفريق تعليم الكمبيوتر كيف تبدو ملاحظة "SOAP" في الواقع. وبما أن العديد من محادثاتهم المصدرية لم تكن تأتي مع ملخصات مكتوبة مسبقاً، فقد استخدموا أداة ذكاء اصطناعي أخرى لتوليد هذه الملخصات تلقائياً. وصاغوا تعليمات محددة لضمان اتباع هذه الملاحظات المولدة للهيكل الصحيح واستخدام مصطلحات طبية متسقة، مما خلق فعلياً مكتبة ضخمة من الأمثلة ليدرسها النظام الرئيسي. ثم جرب الباحثون طرقاً مختلفة لتعليم النموذج؛ حيث اختبروا طرقاً متنوعة لإعطاء التعليمات للكمبيوتر، ووجدوا أن التعليمات التفصيلية كانت تعمل بشكل أفضل عندما توضع كأمر مباشر للنموذج بدلاً من كونها قاعدة خلفية. كما استقصوا ما إذا كان من المفيد عرض النص المكتوب للمحادثة جنباً إلى جنب مع الصوت. وأشارت نتائجهم إلى أن رؤية كل من الصوت والنص معاً ساعدت النموذج على تحديد المفاهيم الطبية بدقة أكبر، حتى لو بدا الملخص النهائي مشابهاً لملخص تم توليده من الصوت وحده.

استكشف الفريق أيضاً ما إذا كان تقسيم المهمة إلى خطوات أصغر سيساعد، مثل جعل الكمبيوتر يكتب النص أولاً ثم يلخصه، أو مطالبته بشرح منطقه قبل كتابة الملاحظة. وأظهرت النتائج أنه بينما قدمت هذه الخطوات الوسيطة بعض الفوائد، فإن النهج الأكثر فعالية لجودة الملخص الإجمالية هو تدريب النموذج للانتقال مباشرة من الكلام إلى الملخص النهائي. ومع ذلك، اكتشفوا أن الإشراف باستخدام "سلسلة الأفكار" (Chain-of-Thought - CoT) حقق أعلى درجة في استخراج المفاهيم ذات الصلة سريرياً، مما يشير إلى أن نمذجة خطوات التفكير الوسيطة صراحةً يمكن أن يحسن تحديد التفاصيل الطبية، حتى لو لم يتفوق على التوليد المباشر في المقاييس الأخرى. وفيما يتعلق بتنظيف البيانات، وجد الفريق أن إزالة المقاطع التي لا يتطابق فيها الكلام المولد حاسوبياً مع النص لم يحسن الأداء؛ بل في الواقع، تم الحصول على أفضل النتائج باستخدام مجموعة البيانات غير المنظفة التي تم ترشيحها بحد أقصى للمدة يبلغ 21 دقيقة. كما وجدوا أن تحديد طول المحادثات المستخدمة للتدريب إلى واحد وعشرين دقيقة كان هو النقطة المثالية؛ إذ إن المحادثات الأطول أدخلت الكثير من الضجيج الذي لا يفيد.

في المرحلة النهائية من عملهم، قام الباحثون بدمج أفضل النسخ من نماذجهم المدربة لإنشاء نظام واحد قوي. تم اختبار هذا النظام المدمج مقابل تقديم مقارن من نفس المؤلفين باستخدام ثلاث مجموعات مختلفة من بيانات الاختبار: محادثات تشبه إلى حد كبير مواد التدريب، وسيناريوهات لعب الأدوار المحاكية، وتسجيلات واقعية لزيارات طبية فعلية. تفوق النظام المدمج باستمرار على هذا التقديم المقارن في جميع مجموعات الاختبار الرسمية، لا سيما في السيناريوهات الواقعية حيث كانت الفروق بين بيانات التدريب وبيانات الاختبار هي الأكبر. يشير هذا النجاح إلى أن متوسط المعرفة من عدة نماذج مدربة بشكل مختلف يجعل النظام أكثر قدرة على التكيف وأقل عرضة للارتباك في المواقف الجديدة. وتخلص الدراسة إلى أنه من خلال توحيد مصادر البيانات المتنوعة واستخدام نهج مباشر من الكلام إلى الملخص، يمكن إنشاء أداة تقلل بشكل كبير من عبء التوثيق على العاملين في مجال الرعاية الصحية، مما يسم يسمح لهم بالتركيز على الجانب الإنساني للرعاية.