💻 computer science

CardioTrust: Trustworthy Retrieval Augmented Clinical Decision Support for Personalized Cardiovascular Disease Prediction

يُعد CardioTrust إطار عمل مبتكرًا وموثوقًا للذكاء الاصطناعي يدمج بين تصنيف المخاطر باستخدام تعلم الآلة، والتوليد المعزز بالاسترجاع الهجين الموجه بالتنبؤ، وقابلية التفسير عبر تقنية SHAP، لتقديم تنبؤات شخصية لأمراض القلب والأوعية الدموية عالية الدقة وشفافة وذات أسس سريرية، متفوقًا بذلك بشكل كبير على النماذج المرجعية التقليدية.

المؤلفون الأصليون: Veerababu Reddy, Vasavi Durga Potla, Baji Noorbasha, Karthik Reddy Vajrala, Sadwika Bollu

نُشر 2026-08-07

📖 7 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Veerababu Reddy, Vasavi Durga Potla, Baji Noorbasha, Karthik Reddy Vajrala, Sadwika Bollu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق تحاول حل لغز ما، ولكن لديك مساعدان مختلفان تمامًا. أحدهما حاسبة فائقة السرعة يمكنها معالجة الأرقام وإخبارك: "هناك احتمال بنسبة 95% أن يكون الجاني هو الخادم"، لكنها ترفض شرح لماذا. هي فقط تعطيك الرقم. أما المساعد الآخر فهو راوٍ بارع في سرد القصص، يمكنه كتابة رواية جميلة ومفصلة عن الخادم والطقس والشمعدان، ولكن في بعض الأحيان، وبسبب حماسه، قد يختلق حقائق لم تحدث قط. في عالم الطب، هذه مشكلة ضخمة. يحتاج الأطباء إلى معرفة لماذا المريض معرض لخطر الإصابة بمشاكل في القلب، ويحتاجون إلى أن تكون تلك المعلومات صحيحة بنسبة 100%، وليس مجرد قصص مختلقة. هنا يأتي دور مجال "الذكاء الاصطناعي الموثوق به". إنه السعي لبناء أنظمة حاسوبية ليست ذكية فحسب، بل صادقة، وقابلة للتفسير، وآمنة بما يكفي لمساعدة الأطباء في إنقاذ الأرواح.

يقدم هذا البحث فريق تحقيق جديدًا يسمى CardioTrust. بدلاً من ترك الحاسبة والراوي يعملان بشكل منفصل، قام المؤلفون ببناء نظام يعملان فيه معًا في خط منظم وصارم. أولاً، تنظر حاسبة قوية (نموذج الغابة العشوائية - Random Forest) في بيانات المريض وتتنبأ بخطر الإصابة بأمراض القلب. ولكن إليك المفاجأة: هي لا ترسل مجرد ملاحظة بسيطة "خطر مرتفع" أو "خطر منخفض" إلى الراوي. بدلاً من ذلك، ترسل "موجز مهمة" محددًا يخبر الراوي بالضبط أي عوامل الخطر هي الأكثر أهمية (مثل الكوليسترول المرتفع أو آلام الصدر) ومدى ثقة الحاسبة في إجابتها. ثم يستخدم الراوي (نموذج لغوي كبير - LLM) هذا الموجز للبحث في مكتبة ضخمة من القواعد والدراسات الطبية الحقيقية للعثور على الدليل المثالي. وأخيرًا، قبل أن تُعرض القصة على الطبيب، يقوم "مفتش سلامة" صارم (وحدة التحقق من الثقة - Trust Validation module) بفحص الحزمة بأكملها. يسأل: "هل وجدنا الدليل الصحيح؟ هل تتطابق القصة مع رياضيات الحاسبة؟ هل القصة كاملة؟" إذا كانت الإجابة على أي من هذه الأسئلة هي "لا"، يتم إرسال التقرير للمراجعة من قبل بشري.

وجد الفريق أن هذا العمل الجماعي يعمل بشكل رائع. عندما اختبروا CardioTrust على مجموعة بيانات تضم 70,000 سجل مريض، تنبأ بأمراض القلب بدقة بلغت 95.84%، وهي دقة أفضل بكثير من النماذج الحاسوبية القياسية الأخرى. لكن السحر الحقيقي حدث في جزء سرد القصص. فبينما كان "راوي" الحاسوب القياسي يختلق حقائق (هلوسات) بنسبة 21.64% من الوقت، نجحت ضوابط السلامة الصارمة في CardioTrust في تقليل هذه الحقائق المختلقة إلى 2.84% فقط. كما أثبت النظام أن القصة التي يرويها تتوافق دائمًا مع الرياضيات الكامنة وراءها، مما يضمن للطبيب أنه لا يحصل فقط على قصة جميلة، بل على قصة صادقة مدعومة بإرشادات طبية حقيقية. يقترح المؤلفون أن هذا النهج يمكن أن يكون نقطة تحول في الرعاية القلبية الشخصية، بشرًا بشرط اختباره على المزيد من بيانات المستشفيات الواقعية في المستقبل.

المشكلة: الحاسبة مقابل الراوي

لفهم سبب أهمية CardioTrust، علينا النظر في الأداتين اللتين يستخدمهما الأطباء للتنبؤ بأمراض القلب، ولماذا يعيب كل منهما.

أولاً، هناك نماذج تعلم الآلة (Machine Learning Models). فكر في هذه النماذج كآلات حاسبة فائقة السرعة. فهي تنظر إلى عمر المريض، وضغط دمه، والكوليسترول، وغيرها من الأرقام، وتخرج درجة خطر. هي بارعة في رصد الأنماط التي قد يغفل عنها البشر. ومع ذلك، غالبًا ما تكون "صناديق سوداء". فهي تعطيك رقمًا، لكنها لا تخبرك لماذا. إذا رأى الطبيب درجة خطر عالية، فلا يمكنه بسهولة معرفة ما إذا كان ذلك بسبب عمر المريض أو عادته في التدخين. وبدون ذلك التفسير، يتردد الأطباء في الوثوق بالآلة.

ثانيًا، هناك النماذج اللغوية الكبيرة (LLMs). هذه هي رواة القصص البارعون. يمكنهم قراءة الكتب الطبية وكتابة خطة مفصلة للمريض، وشرح ما قد يكون خطب به بلغة بسيطة. المشكلة؟ هم أحيانًا "يهلوسون". وهذا يعني أنهم قد يخبرون الطبيب بثقة أن دواءً معينًا يعالج حالة ما، حتى لو كان هذا الدواء غير موجود أو غير موصى به. في المستشفى، يمكن أن تكون الحقيقة المختلقة خطيرة.

لفترة طويلة، حاول الباحثون إصلاح ذلك باستخدام طريقة تسمى التوليد المعزز بالاسترجاع (RAG - Retrieval Augmented Generation). هذا يشبه إعطاء الراوي بطاقة مكتبة. فبدلاً من اختلاق الأشياء من الذاكرة، يُجبر الراوي على البحث عن الإجابة في مكتبة من الكتب الطبية الموثوقة قبل كتابة القصة. هذا يساعد، لكن الطريقة القديمة في القيام بذلك كانت خرقاء نوعًا ما. حيث كان الراوي يكتفي بسؤال المكتبة: "حدثني عن أمراض القلب"، فيحصل على إجابة عامة لا تناسب حالة المريض الفريدة.

الحل: فريق يتحدث مع بعضه البعض

أدرك مؤلفو هذا البحث أن الحاسبة والراوي بحاجة إلى التحدث مع بعضهما البعض قبل كتابة القصة. لقد بنوا CardioTrust، وهو نظام تكون فيه الرياضيات والكلمات مقيدتين معًا.

إليك كيف يعمل الفريق، خطوة بخ بخطوة:

الحاسبة (الغابة العشوائية - Random Forest): يبدأ النظام بتحليل بيانات المريض. هي لا تكتفي بقول "خطر مرتفع" فقط. بل تحسب الاحتمالية الدقيقة (مثل 95.84%)، والأهم من ذلك، أنها تحدد "الأشرار" في القصة. تستخدم أداة تسمى SHAP لمعرفة العوامل التي تدفع الخطر بدقة. هل هو عمر المريض؟ أم آلام صدره؟ أم الكوليسترول لديه؟ تقوم الحاسبة بإنشاء "موجز مهمة" يسرد هؤلاء الأشرار تحديدًا.
البحث الذكي (Hybrid RAG): هذا هو الابتكار الكبير الأول. بدلاً من سؤال المكتبة: "حدثني عن أمراض القلب"، يرسل النظام "موجز المهمة". يخبر المكتبة: "لدينا مريض يعاني من انخفاض في قطاع ST وآلام في الصدر؛ ابحث لنا عن القواعد الخاصة بهذا". هذا يضمن أن الدليل المسترجع مصمم بدقة لتناسب رياضيات المريض المحددة.
الراوي (Llama 3.2): يأخذ الراوي الدليل المسترجع وموجز المهمة ويكتب توصية شخصية. ولأن لديه القواعد المحددة وبيانات المريض المحددة، فهو ليس بحاجة للتخمين.
مفتش السلامة (التحقق من الثقة - Trust Validation): هذا هو الحارس النهائي. قبل أن يذهب التقرير إلى الطبيب، يقوم مفتش السلامة بتشغيل قائمة مراجعة. يسأل خمسة أسئلة:
- هل الحاسبة واثقة في رياضياتها؟
- هل وجدنا الدليل الصحيح؟
- هل يتوافق الدليل مع الأدلة الأخرى؟
- هل تذكر القصة نفس "الأشرار" (عوامل الخطر) الذين وجدتهم الحاسبة؟
- هل القصة كاملة (هل تحتوي على تشخيص، وخطة، ونصيحة)؟

إذا حصل التقرير على درجة كافية (أعلى من 0.75 على مقياس من 0 إلى 1)، يتم إرساله إلى الطبيب. وإذا كانت الدرجة منخفضة جدًا، يتم وضع علامة عليه لمراجعته يدويًا من قبل بشر. هذا يضمن عدم وصول أي نصيحة سيئة أو مختلقة إلى المريض.

النتائج: الحقيقة والثقة

اختبر المؤلفون هذا النظام ضد العديد من الطرق الأخرى، بما في ذلك الحاسبات القياسية، والرواة المستقلين، والنسخ القديمة من نظام البحث في المكتبة. كانت النتائج مبهرة.

الرياضيات: حققت الحاسبة الأساسية في CardioTrust دقة بلغت 95.84% مع دقة (precision) قدرها 0.941 واستدعاء (recall) قدره 0.952. وهذا يعني أنها كانت أفضل في اكتشاف أمراض القلب من أي نموذج آخر اختبروه، بما في ذلك XGBoost وSupport Vector Machines.

القصة: الفوز الحقيقي كان في جودة التوصيات.

الراوي القياسي (بدون المكتبة) اختلق حقائق بنسبة 21.64% من الوقت.
نظام البحث في المكتبة القياسي (بدون موجز المهمة الذكي) اختلق حقائق بنسبة 15.31% من الوقت.
CardioTrust اختلق حقائق بنسبة 2.84% فقط.

علاوة على ذلك، حقق النظام درجة ثقة (Trust Score) بلغت 0.96، وهي مقياس لمدى موثوقية الحزمة بأكملها. كما تحقق المؤلفون مما إذا كانت القصة تتوافق مع الرياضيات. ووجدوا أن "اتفاق التفسير" (Explanation Agreement) كان 0.95، مما يعني أن القصة تعكس تقريبًا وبشكل مثالي الأسباب التي ذكرتها الحاسبة للخطر.

فحص "ماذا لو": اختبر المؤلفون أيضًا ما سيحدث إذا تمت إزالة أجزاء من النظام (دراسة استئصال - ablation study).

بدون البحث الذكي، كان النظام أقل موثوقية.
بدون مفتش السلامة، قفز معدل الهلوسة مرة أخرى إلى 8.21%.
بدون مفتش السلامة و البحث الذكي، قفز معدل الهلوسة إلى 24.82%.

أثبت هذا أن كل جزء من الفريق ضروري. لا يمكنك الاكتفاء بحاسبة جيدة؛ بل تحتاج إلى البحث الذكي ومفتش السلامة لتجعلها موثوقة.

لماذا يهم هذا

يؤكد المؤلفون بحذر أن هذه خطوة واعدة، وليست منتجًا نهائيًا. لقد اختبروا النظام على مجموعات بيانات موجودة (مثل مجموعة بيانات أمراض القلب من Kagage التي تضم 70,000 سجل، ومجموعة بيانات UCI لأمراض القلب التي تضم 1,025 سجلًا). وبينما كانت النتائج قوية، إلا أن النظام لم يُختبر بعد في مستشفى حقيقي مع أطباء حقيقيين. يقترح المؤلفون أن الخطوة التالية هي معرفة كيفية أدائه في الواقع المعقد والمضطرب لمستشفيات مختلفة، وكيف سيقيم الأطباء الحقيقيون التقارير.

ومع ذلك، فإن الفكرة الجوهرية واضحة: من خلال إجبار الرياضيات والكلمات على الاتفاق مع بعضهما البعض، وإضافة فحص سلامة صارم في النهاية، يمكننا بناء ذكاء اصطناعي يمكن للأطباء الوثوق به حقًا. CardioTrust ليس مجرد حاسبة أو راوٍ للقصص؛ إنه فريق يراجع واجبه المنزلي قبل تسليمه.

ملخص تقني: CardioTrust

بيان المشكلة

لا تزال أمراض القلب والأوعية الدموية (CVD) سبباً رئيسياً للوفيات عالمياً، مما يستدعي تقييماً دقيقاً وفي الوقت المناسب للمخاطر. وبينما تتفوق نماذج تعلم الآلة (ML) التقليدية في التنبؤ بمخاطر أمراض القلب والأوعية الدموية، إلا أنها غالباً ما تعمل كـ "صناديق سوداء"، حيث تقدم درجات رقمية دون تفسير سريري كافٍ، مما يحد من ثقة الأطباء. ومن ناحية أخرى، توفر النماذج اللغوية الكبيرة (LLMs) استدلالاً سريرياً سردياً، لكنها تعاني من الهلوسة والتوصيات غير المستندة إلى أدلة، مما يشكل مخاطر جسيمة على السلامة. علاوة على ذلك، فإن أنظمة التوليد المعزز بالاسترجاع (RAG) الموجودة حالياً في الرعاية الصحية تعتمد عادةً على استرجاع المعلومات بناءً على التشابه الدلالي الساكن، وتفشل في دمج تنبؤات المخاطر الخاصة بكل مريض، مما يؤدي إلى توصيات تفتقر إلى التخصيص. هناك فجوة حرجة في دمج التنبؤ الدقيق القائم على تعلم الآلة، والاسترجاع المستند إلى الأدلة، والاستدلال القابل للتفسير، والتحقق المنهجي من الثقة في إطار عمل موحد لدعم القرار السريري.

المنهجية

يقترح المؤلفون CardioTrust، وهو إطار عمل للذكاء الاصطناعي الموثوق يوحد خمس وحدات مترابطة في سير عمل مغلق الحلقة:

وحدة التنبؤ بأمراض القلب والأوعية الدموية: تستخدم مصنفاً تجميعياً من نوع الغابة العشوائية (Random Forest) للتنبؤ باحتمالية المرض $P(y=1|x)$ وتقدير عدم اليقين المعرفي (epistemic uncertainty). يتم اشتقاق درجة الثقة ( $P_c$ ) من تباين تقديرات الاحتمالية على مستوى الأشجار داخل المجموعة التجميعية.
وحدة RAG الهجينة الموجهة بالتنبؤ: على عكس نظام RAG التقليدي، تقوم هذه الوحدة بحقن فئة المخاطر المتوقعة والمحركات الرئيسية للمخاطر المستخرجة عبر SHAP ديناميكياً في استعلام الاسترجاع. وتقوم باسترجاع الأدلة من المصادر المعتمدة (توجيهات جمعية القلب الأمريكية AHA/جمعية القلب الأوروبية ESC وPubMed) باستخدام تضمينات BAAI BGE Base EN v1.5 المفهرسة في ChromaDB.
وحدة التفسير SHAP: تستخدم TreeSHAP لتوليد مساهمات الميزات المحلية ( $\Phi$ ) الخاصة بالمريض، وترتيب محركات المخاطر السريرية. تعمل هذه المساهمات كـ سياق للنموذج اللغوي الكبير وكمعيار للتحقق.
وحدة الاستدلال السريري المستند إلى الأدلة: يقوم نموذج Llama 3.2:3B بتوليد توصيات سريرية مخصصة بناءً على سياق مدمج يحتوي على ملف تعريف المريض، واحتمالية الخطر، والثقة، ومتجه SHAP، والأدلة المسترجعة. يعمل النموذج عند درجة حرارة منخفضة ( $T=0.2$ ) لضمان الاستدلال الحتمي.
وحدة التحقق من الثقة والمعايرة: قبل تقديم التقرير، يقوم تدقيق كمي بحساب درجة الثقة المركبة ( $T$ ) بناءً على خمسة أبعاد:
- ثقة التنبؤ ( $P_c$ )
- صلة الاسترجاع ( $R_r$ )
- اتساق الأدلة ( $E_c$ )
- اتفاق التفسير ( $S_a$ ): يقيس مدى التوافق بين أهمية ميزات SHAP والميزات المذكورة في السرد الذي ولّده النموذج اللغوي الكبير.
- اكتمال التوصية ( $C_r$ )
إذا كانت $T \geq \tau$ (العتبة المحددة عند 0.75)، يتم قبول التقرير؛ وإلا، يتم توجيهه إلى قائمة التدقيق اليدوي.

المساهمات الرئيسية

RAG الهجين الموجه بالتنبؤ: يقوم النظام ديناميكياً بتكييف استرجاع الأدلة بناءً على ملف تعريف المخاطر المتوقع ومحركات SHAP، بدلاً من الاعتماد فقط على التشابه الدلالي العام.
اتفاق التفسير كإشارة للثقة: تقديم مقياس كمي ( $S_a$ ) يتحقق مما إذا كان السرد الخاص بالنموذج اللغوي الكبير يعكس نفس الميزات السريرية التي اعتمد عليها المصنف الأساسي، مما يغلق الحلقة بين الذكاء الاصطناعي القابل للتفسير (XAI) وتوليد النصوص.
إطار عمل موحد: يدمج التنبؤ بالغابة العشوائية، وRAG الهجين، وTreeSHAP، ووحدة التحقق من الثقة متعددة الأبعاد في خط إنتاج واحد متكامل مع بوابة قرار صريحة للقبول أو التدقيق.
وحدة التحقق من الثقة: بوابة سلامة ما قبل التسليم تقيم الثقة، والصلة، والاتساق، والمواءمة، والاكتمال، والتي تم تطبيقها هنا باستخدام تكوين أساسي متساوي الأوزان.
تقييم شامل: يتضمن دراسة استئصال (ablation study) تعزل مساهمة كل مكون، وتحققاً تبادلياً صارماً مقابل عدة نماذج مرجعية.

النتائج

تم تقييم إطار العمل باستخدام التحقق التبادلي خماسي الطيات (5-fold cross-validation) على مجموعة بيانات Kaggle لأمراض القلب والأوعية الدموية (70,000 سجل) وفحص خارج نطاق التوزيع (out-of-distribution) على مجموعة بيانات UCI لأمراض القلب (1,025 سجل).

الأداء التنبئي: حقق جوهر الغابة العشوائية دقة بلغت 95.84% ± 0.45%، و0.982 AUROC، و0.941 دقة (precision)، و0.952 استدعاء (recall)، متفوقاً بشكل كبير على النماذج المرجعية مثل الانحدار اللوجستي (84.21%)، وSVM (86.50%)، وXGBoost (92.15%).
جودة الاسترجاع: حققت وحدة RAG الهجينة مقاييس استرجاع متفوقة (Precision@5 = 0.946، NDCG = 0.952) مقارنة بالبحث المعجمي، والاسترجاع الكثيف القياسي، وGraphRAG.
جودة التوصية: حقق CardioTrust أعلى توافق دلالي مع الإرشادات (BERTScore = 0.96) مقارنة بالنماذج اللغوية الكبيرة المستقلة ومتغيرات RAG الأخرى.
الثقة والحد من الهلوسة: حقق الإطار الكامل درجة ثقة مركبة بلغت 0.96 وقلل معدل الهلوسة إلى 2.84%، وهو تحسن كبير عن نسبة 21.64% الملاحظة في توليد النماذج اللغوية الكبيرة بنمط (zero-shot).
دراسة الاستئصال: أكدت النتائج أنه بينما ظلت الدقة التنبؤية ثابتة (محكومة بالغابة العشوائية)، فإن دمج RAG الهجين، وTreeSHAP، والتحقق من الثقة قلل تدريجياً من الهلوسة وزاد من موثوقية النظام.

الأهمية والادعاءات

يزعم البحث أن CardioTrust يوفر حلاً قوياً وشفافاً ومتوافقاً مع الأطباء للرعاية الشخصية لأمراض القلب والأوعية الدموية. ومن خلال توحيد النمذجة التنبؤية مع الاستدلال المستند إلى الأدلة والتحقق الآلي من الثقة، يعالج إطار العمل الحاجز الحرج المتمثل في سد الفجوة بين دقة التنبؤ العالية والاستدلال السريري القابل للتحقق والتفسير. ويؤكد المؤلفون أن النظام يخفف من مخاطر هلوسة النماذج اللغوية الكبيرة والتوصيات العلاجية غير المستندة إلى أدلة من خلال التحقق الآلي ما قبل التسليم.

يحافظ البحث على موقف متواضع فيما يتعلق بالتحقق الحالي:

درجة الثقة هي وكيل آلي يعتمد على التضمينات والثقة؛ ولم يتم بعد التحقق منها مقابل معدل قبول من قبل الأطباء من خلال دراسة قراءة من قبل خبراء حقيقيين، وهو ما تم تحديده كخطوة ضرورية تالية.
معاملات الوزن في وحدة التحقق من الثقة مضبوطة حالياً على تكوين أساسي متساوي الأوزان؛ ويُقترح المعايرة التجريبية مقابل تسميات محكمة من قبل الخبراء كعمل مستقبلي.
تُعرض نتائج مجموعة بيانات UCI كفحص لقابلية النقل خارج نطاق التوزيع وليس كإثبات نهائي للتعميم، مع ملاحظة الحاجة إلى تحقق مستقبلي متعدد المراكز.

يخلص المؤلفون إلى أن CardioTrust يمثل خطوة مهمة نحو الذكاء الاصطناዊ الموثوق في الرعاية الصحية، لكنهم يصرحون بأن هذا العمل الحالي هو أساس للمعايرة التجريبية واختبار النشر في العالم الحقيقي.