PanVasc Research for AI assisted evidence analysis in panvascular intervention

في العالم الواسع للبحوث الطبية، يعتمد الأطباء والعلماء على مكتبة ضخمة ومنظمة من التجارب السريرية لفهم كيفية عمل العلاجات الجديدة. تُسجل هذه التجارب في قواعد بيانات عامة، حيث تدرج كل دراسة بدقة ما تنوي قياسه، ومدة استمرارها، والنتائج المحددة التي تأمل في إيجادها. هذه المعلومات هي حجر الزلزال للطب القائم على الأدلة، مما يسمح للباحثين بمقارنة النهج المختلفة لعلاج القلب والشرايين والأوردة. ومع ذلك، مع نمو حجم البيانات، تصبح مهمة العثور على هذه التفاصيل المحددة وتفسيرها عبئاً يفوق قدرة البشر وحدهم. وقد أدى ذلك إلى طفرة في الاهتمام بالذكاء الاصطناعي، على أمل أن تتمكن الأنظمة الحاسوبية من قراءة هذه السجلات المعقدة، واستخراج الأرقام الصحيحة، ومساعدة الباحثين على فهم الأدلة بشكل أسرع وأكثر دقة. والسؤال الجوهري ليس فقط ما إذا كان بإمكان الكمبيوتر قراءة الكلمات، بل ما إذا كان بإمكانه فهم القواعد الصارمة للبيانات دون اختلاق حقائق أو فقدان تتبع مصدر المعلومات.

وضع فريق من الباحثين هدفاً لاختبار برنامج محدد صُمم للمساعدة في هذه المشكلة تحديداً، مع التركيز على التدخلات التي تعالج الأوعية الدموية في جميع أنحاء الجسم. لقد بنوا نظاماً يسمى "PanVasc Research"، والذي يعمل كمساعد رقمي لتحليل هذه السجلات الطبية. وللتأكد من أن هذا المساعد موثوق حقاً، لم يكتفوا بمجرد طلب تلخيص بعض القصص منه؛ بل صمموا اختباراً صارماً حيث قاموا بتغذية الكمبيوتر بـ 50 سجلاً حقيقياً لتجارب سريرية وطلبوا منه استخراج تفاصيل محددة، مثل النتيجة الرئيسية التي يتم قياسها والإطار الزمني للدراسة. ولجعل الاختبار أكثر صعوبة، تعمدوا حذف بعض المعلومات من السجلات قبل سؤال الكمبيوتر عن الإجابة، للتحقق مما إذا كان النظام سيعترف بصدق بأنه لا يعرف الإجابة، أم أنه سيخمن ويخترع إجابة من عنده. كما اختبروا النظام على مجموعة مختلفة مكونة من 100 عبارة حول التجارب الطبية لمعرفة ما إذا كان بإمكانه الحكم بشكل صحيح على ما إذا كان دليل معين يدعم ادعاءً محدداً.

كشفت نتائج هذه التجربة عن قصور واضح وهام في التكنولوجيا الحالية. فعندما طُلب من الكمبيوتر نسخ تفاصيل دقيقة من السجلات، نجح في حوالي ربع الحالات فقط باستخدام نهج قياسي. وعندما أعطى الباحثون الكمبيوتر مجموعة تعليمات أكثر دقة، تطلب منه مراجعة عمله قبل الإجابة، تحسن معدل النجاح ليصل إلى أقل من أربعين بالمائة. وبينما يظهر هذا التحسن أن التعليمات الدقيقة تساعد، إلا أن النظام فشل في الحصول على الإجابة الصحيحة في أكثر من نصف الحالات. وفي الاختبارات التي كانت فيها المعلومات مفقودة، عانى الكمبيوتر بشكل كبير، حيث فشل غالباً في إدراك أن البيانات قد فُقدت. وعندما اختبر الباحثون قدرة النظام على فهم معنى العبارات الطبية، لم يكن أداؤه أفضل من قاعدة الأغلبية البسيطة، حيث أجاب بشكل صحيح في حوالي نصف الحالات فقط. وهذا هو نفس معدل النجاح الذي يتوقع المرء الحصول عليه إذا قام شخص ما بمجرد تخمين الإجابة الأكثر شيوعاً لكل سؤال، بدلاً من التخمين العشوائي.

والأهم من ذلك، وجد الباحثون أن قدرة الكمبيوتر على اتباع القواعد لم تضمن فهمه للمعنى. فقد أمكن برمجة النظام للتحقق مما إذا كان لديه وثيقة المصدر الصحيحة وما إذا كان ينظر إلى القسم الصحيح من النص، لكن "فحص السلامة" هذا لم يمنعه من ارتكاب أخطاء منطقية حول المعنى الفعلي للبيانات. وفي الواقع، أدت فحوصات السلامة أحياناً إلى إبقاء الإجابات غير الصحيحة في النتائج النهائية لأن الكمبيوتر اتبع قواعد التنسيق بشكل مثالي، رغم أن الاستنتاج كان خاطئاً. وقد استبعدت الدراسة صراحةً فكرة أن هذا النموذج الحاسوبي الصغير قد حقق طفرة في فهم العلوم الطبية أو أنه يمكن أن يحل محل الخبراء البشريين في تفسير بيانات التجارب المعقدة. لم يكن النظام قادراً على العمل كعالم مستقل يكتشف حقائق جديدة أو يفسر بدقة الفروق الدقيقة بين الأمراض المختلفة.

خلص الباحثون إلى أنه بينما نجح إطار عملهم في الفصل بين مهمة العثور على وثيقة المصدر الصحيحة ومهمة فهم معناها، فإن التكنولوجيا الحالية ليست جاهزة بعد للمهمة الأخيرة. لقد أثبت النظام أنه يمكن أن يكون أداة لتتبع مصدر المعلومات، لكن لا يمكن الوثوق به لتفسير تلك المعلومات دون إشراف بشري. وتشير الدراسة إلى أنه لكي يصبح الذكاء الاصطناعي شريكاً حقيقياً في أبحاث الأوعية الدموية، ستحتاج الأنظمة المستقبلية إلى ما هو أكثر من مجرد تعليمات أفضل؛ ستتطلب فهماً متخصصاً وعميقاً للمفاهيم الطبية يتجاوز بكثير مجرد مطابقة الكلمات بقاعدة بيانات. وحتى ذلك الحين، يظل دور هؤلاء المساعدين الرقميين مقتصرًا على المساعدة في تنظيم البيانات، وليس اتخاذ الأحكام الطبية النهائية التي تحدد كيفية علاج المرضى.