Research on the Application of AI Agent Technology in Quality Defect Root Cause Analysis of Central Sterile Supply Department

ملخص تقني: تطبيق تقنية الوكيل الذكي (AI Agent) في تحليل الأسباب الجذرية لعيوب الجودة في قسم التعقيم المركزي (CSSD)

بيان المشكلة
يواجه قسم التعقيم المركزي (CSSD) تحديات كبيرة في إدارة عيوب فحص الجودة. تعتمد طرق تحليل الأسباب الجذرية (RCA) التقليدية، مثل مخطط هيكل السمكة وتقنية "الأسئلة الخمسة" (5-Why)، بشكل كبير على الخبرة البشرية الذاتية. ويؤدي هذا الاعتماد إلى عدة نقاط ضعف تشغيلية، منها: طول دورات التحليل، وارتفاع تكاليف العمالة بسبب ضرورة إشراك الموظفين ذوي الخبرة، وتأخر التحذيرات من المخاطر، وعدم كفاية عمق التحليل الناتج عن القيود الإدراكية. علاوة على ذلك، تواجه النهج التقليدية صعوبة في تحقيق استنتاج ديناميكي للأسباب الجذرية وتفشل في الاستفادة الكاملة من البيانات التاريخية للإدارة التنبؤية للمخاطر. وبينما تم تطبيق الذكاء الاصطناي في نماذج التنبؤ بالتحكم في العدوى، إلا أن تطبيقه في مساعدة موظفي قسم التعقيم المركزي في إجراء تحليل ديناميكي وفوري للأسباب الجذرية لا يزال في مرحلة استكشافية أولية.

المنهجية
استخدمت هذه الدراسة دراسة مقارنة لمحاكاة حالة استرجاعية لتقييم نهج مدعوم بوكيل ذكي مقابل التحليل اليدوي التقليدي.

• مصدر البيانات: تم اختيار 30 حالة نموذجية لعيوب الجودة من سجلات قسم التعقيم المركزي في مستشفى من الدرجة الأولى (يناير 2023 – ديسمبر 2025). غطت الحالات أربع فئات: عدم كفاية تنظيف الأدوات، عيبو التغليف، معايير التعقيم غير المتوافقة، والتلف الوظيفي للأدوات.
• التصميم التجريبي:
  • المجموعة التجريبية (الوكيل الذكي): استخدمت وكيلاً ذكياً متخصصاً مبنياً على منصة النموذج اللغوي الكبير "Doubao". تتكون بنية الوكيل من ثلاث طبقات:
    1. الإدراك والإدخال: إدخال بيانات الحالة المهيكلة من قبل اختصاصي ضبط الجودة.
    2. محرك التحليل والاستنتاج: يدمج تحليل الارتباط متعدد الأبعاد (الأفراد، الآلات، المواد، الطرق، البيئة، الإدارة)، ورسوم المعرفة البيانية (النماذج القياسية للصناعة، إجراءات التشغيل القياسية SOPs، ومبادئ المعدات)، والجيل المعزز بالاسترجاع (RAG) لاسترجاع الحالات والمعايير التاريخية، والتفكير المتسلسل (CoT) للاستنتاج المنطقي.
    3. المخرجات والتحقق: توليد تقارير مهيكلة تشمل الأسباب الجذرية المحتملة، السلاسل المنطقية، ومقترحات التحسين.
  • المجموعة الضابطة (التقليدية): تتكون من موظفي قسم التعقيم المركزي ذوي الخبرة (أكثر من 5 سنوات) باستخدام الأدوات القياسية (مخططات هيكل السمكة، والأسئلة الخمسة).
• معيار التقييم: قدمت لجنة خبراء رفيعة المستوى (≥5 أعضاء) قوائم "المعيار الذهبي" للأسباب الجذرية وخطط التحسين بشكل أعمى.
• المقاييس: تم قياس الأداء عبر أربعة أبعاد:
  1. الجودة: دقة تحديد السبب الجذري، عمق التحليل (مقياس من 5 مستويات)، الشمولية (تغطية الأبعاد)، وسلامة السلسلة المنطقية.
  2. الكفاءة: الوقت لكل حالة، الأسباب الجذرية المحددة لكل وحدة زمنية، والوقت للوصول إلى أول سبب جذري رئيسي.
  3. العملية: جدوى وابتكار الإجراءات المقترحة.
  4. العملية/تجربة المستخدم: معيار العمليات، العبء الإدراكي (NASA-TLX)، منحنى التعلم (أداء المبتدئين)، ورضا المستخدم.
• التحليل الإحصائي: تم تحليل البيانات باستخدام SPSS 25.0/SPSSAU. استُخدمت الاختبارات المعلمية (t-tests) والاختبارات غير المعلمية (Mann-Whitney U) بناءً على توزيع البيانات، مع تحديد مستوى الدلالة عند P<0.05.

النتائج الرئيسية
أظهرت المجموعة المدعومة بالوكيل الذكي تفوقاً ذا دلالة إحصائية على المجموعة التقليدية في معظم المقاييس:

• جودة التحليل: حققت مجموعة الذكاء الاصطناعي دقة أعلى في تحديد الأسباب الجذرية (85.6% مقابل 72.3%، P<0.001)، وتحليلاً أعمق (4.4 مقابل 3.6 نقطة، P<0.001)، وشمولية أكبر (5.2 مقابل 4.1 أبعاد، P<0.001). كما كانت سلامة السلسلة المنطقية أعلى أيضاً (4.2 مقابل 3.9، P=0.045).
• الكفاءة: قللت مجموعة الذكاء الاصطناعي وقت التحليل بشكل كبير (18.5 مقابل 35.2 دقيقة، P<0.001) وحددت أول سبب جذري رئيسي بشكل أسرع بكثير (8.3 مقابل 19.6 دقيقة، P<0.001).
• العملية: بينما كانت جدوى الإجراءات متقاربة بين المجموعتين (P>0.05)، ولدت مجموعة الذكاء الاصطناي عدداً أكبر بكثير من الإجراءات المبتكرة (1.8 مقابل 0.7 بند/حالة، P<0.001) وحلولاً أكثر نظامية (4.1 مقابل 3.5 نقطة، P=0.001).
• تجربة المستخدم: أظهرت مجموعة الذكاء الاصطناعي امتثالاً بنسبة 100% لمعايير العمليات (مقابل 83.3%)، وعبئاً إدراكياً أقل بكثير (42.5 مقابل 68.2 في مقي-اس NASA-TLX)، وتشابهاً أعلى بين نتائج المبتدئين والخبراء (78.4% مقابل 62.1%).

المساهمات الرئيسية

1. تطوير وكيل ذكي متخصص: قامت الدراسة ببناء وكيل ذكي نمطي يدمج تقنيات RAG، ورسوم المعرفة البيانية، والتفكير المتسلسل (CoT) المصمم خصيصاً لمراقبة جودة قسم التعقيم المركزي، متجاوزة النمذجة التنبؤية البسيطة إلى الاستنتاج الديناميكي للأسباب الجذرية.
2. التحقق التجريبي من الكفاءة والعمق: توفر الأبحاث دليلاً كمياً على أن الوكلاء الأذكياء يمكنهم تسريع تحليل العيوب بشكل كبير مع زيادة عمق ونظام النتائج في الوقت نفسه، مما يعالج "الاختناق الإدراكي" للمحللين البشريين.
3. ديمقراطية الخبرة: تُظهر الدراسة أن الذكاء الاصطناعي يعمل كـ "سقالة إدراكية"، مما يمكن المستخدمين المبتدئين من تحقيق نتائج تحليل ذات تشابه عالٍ مع لجان الخبراء، وبالتالي تقليل الاعتماد على خبرة الموظفين القدامى وتقصير دورات التدريب.
4. تحليل التكلفة والعائد: تسلط الورقة الضوء على أنه رغم الحاجة لاستثمار أولي في الأدوات، فإن الفوائد طويلة المدى تشمل تقليل تكاليف التدريب، وسرعة أوقات التحليل، وتراكم أصول المعرفة التنظيمية القابلة لإعادة الاستخدام، وذلك على عكس الطرق التقليدية القائمة على الخبرة ذات القدرة المحدودة على التوسع.

الأهمية والادعاءات
تدعي الورقة أن دمج تقنية الوكيل الذكي في إدارة جودة قسم التعقيم المركزي يمثل تحولاً من مراقبة الجودة القائمة على الخبرة إلى مراقبة الجودة القائمة على ذكاء البيانات. وتؤكد الدراسة أن هذا النهج يقلل بفعالية من أوقات الاستجابة للعيوب من ساعات إلى دقائق ويعزز اتساق وقابلية تتبع النتائج التحليلية.

يضع المؤلفون الذكاء الاصطناعي ليس كبديل للحكم البشري، بل كأداة تعاونية تعمل على إخراج المنطق الخبير إلى حيز ملموس. ويجادلون بأن النموذج المستقبلي المثالي هو "نظام بيئي ذكي متآزر بين الإنسان والآلة"، حيث يتولى الذكاء الاصطناعي التحليل الأساسي والتعرف على الأنماط، مما يحرر الخبراء البشريين للتركيز على الابتكار الاستراتيجي، والمداولات الأخلاقية، ومعايرة القيم. وتخلص الدراسة إلى أن هذه التقنية لها قيمة تطبيقية عالية في توحيد عمليات تحليل الأسباب الجذرية، ومعالجة فجوات المهارات في القوى العاملة، وتمكين اتخاذ القرارات الاستباقية القائمة على البيانات في مراقبة الجودة الطبية.