Intelligence Preserves The System It Assists

في المستشفيات الحديثة، ثورة هادئة تجري حيث تتعلم الحواسيب قراءة الصور الطبية والتنبؤ بنتائج المرضى. لسنوات، كانت الطريقة القياسية لقياس النجاح في هذا المجال هي منافسة بسيطة: وضع خوارزمية حاسوبية في مواجهة طبيب بشري لمعرفة من سيصل إلى الإجابة الصحيحة بشكل أكثر تكراراً. إذا سجلت الآلة درجة أعلى، يُحتفى بها كطفرة؛ وإذا فاز الطبيب، تُعتبر الآلة فاشلة. يفترض هذا النهج أن الطبيب والحاسوب خصمان يتنافسان على الوظيفة نفسها، وأن الهدف هو إيجاد متنبئ واحد مثالي يمكنه استبدال التقدير البشري. ومع ذلك، فإن هذه الرؤية تغفل حقيقة جوهرية في الطب: وهي أن فعل علاج المريض يغير المريض نفسه. فعندما يقوم الجراح بقطع الأنسجة، أو تقوم الممرضة بتعديل تدفق الدواء، أو يبدأ الطبيب علاجاً جديداً، فإن الحالة التي يراقبونها لم تعد هي نفسها التي كانت قبل لحظة واحدة. إن الفعل ذاته المتخذ لمساعدة المريض يغير مسار المرض، مما يجعل التنبؤ القائم على البيانات الماضية عديم الفائدة محتملاً في اللحظة التي تشتد فيها الحاجة إليه.

يتحدى دراسة جديدة لـ "موريس أنتوني إوينج" هذا العقلية التنافسية من خلال النظر في كيفية عمل الحواسيب والأطباء معاً بدلاً من العمل ضد بعضهم البعض. فبدلاً من السؤال عن أي وكيل هو الأكثر دقة بشكل عام، يطرح البحث سؤالاً مختلفاً: متى تتكامل نقاط القوة والضعف لديهما؟ تشير الدراسة إلى أنه بينما تتفوق الحواسيب في التنبؤ بما سيحدث إذا لم يتغير شيء، إلا أنها غالباً ما تتعثر عندما يعمل العلاج بنشاط على إعادة تشكيل حالة المريض. وعلى العكس من ذلك، يمتلك الأطباء البشر مهارة في ملاحظة متى تنحرف الحالة عن المسار المتوقع، لكنهم قد يغفلون عن الأنماط الدقيقة في كميات هائلة من البيانات. الفكرة الجوهرية هي أن القيمة الحقيقية للحاسوب في المستشفى قد لا تكمن في كونه المتنبئ الأفضل، بل في كونه مستشعراً متخصصاً يطلق إنذاراً تحديداً عندما تتغير حالة المريض بطرق غير متوقعة نتيجة للتدخل الطبي.

لاختبار هذه الفكرة، فحص الباحث خمسة أنواع مختلفة من البيانات الطبية، تتراوح من الحركات الخاطفة لذراع جراحية روبوتية إلى التطور البطيء لعلاج السرطان الذي يمتد لشهور. في كل حالة، تم تدريب نموذج حاسوبي قياسي أولاً لتعلم المسار "الطبيعي" الذي ينبغي أن يتبعه المريض أو الإجراء الطبي. فعلى سبيل المثال، تعلم النموذج في الجراحة الروبوتية السرعة والاتجاه النموذجي لإبرة تمر عبر الأنسجة. وفي العناية المركزة، تعلم كيف تستجيب ضغط دم المريض عادةً للأدوية. ثم قدمت الدراسة نموذجاً ثانياً "معززاً" صُمم للقيام بشيء مختلف: فبدلاً من مجرد التنبؤ بالمستقبل، كان يراقب اللحظات التي تنحرف فيها الأحداث الفعلية بشكل كبير عن المسار المتوقع. لم يكشف الباحثون عن الصيغ الرياضية المحددة أو الكود الدقيق المستخدم لبناء هذا النموذج الثاني، معتبرين تلك التفاصيل تنفيذاً محمياً، لكنهم قاسوا مدى أداء هذا النظام مقارنة بالأطباء البشريين والنماذج الحاسوبية القياسية.

كشفت النتائج عن نمط صارخ ظل ثابتاً عبر جميع الإعدادات الطبية الخمسة. ففي الحالات التي تسير فيها الأمور بسلاسة وتكون حالة المريض مستقرة، كان النموذج المعزز في الواقع أسوأ من كل من الطبيب البشري والنموذج الحاسوبي القياسي. فعلى سبيل المثال، في بيانات وحدة العناية المركزة، كان النموذج المعزز صحيحاً بنسبة 25.6% فقط في الحالات المستقرة، بينما كان الطبيب البشري صحيحاً بنسبة 34.6%. ومع ذلك، انقلبت القصة تماماً عندما بدأت حالة المريض تتغير بشكل غير متوقع. في تلك اللحظات من "الانحراف"، حيث بدأت فيزيولوجيا المريض أو الإجراء الجراحي في الابتعاد عن المعيار، أصبح النموذج المعزز هو القائد الواضح. ففي بيانات وحدة العناية المركزة نفسها، عندما كانت حالة المريض غير مستقرة، كان النموذج المعزز صحيحاً بنسبة 46.9% من الوقت، متفوقاً بشكل ملحوظ على الطبيب البشري الذي كان صحيحاً بنسبة 20.5% فقط، وعلى الحاسوب القياسي الذي كان صحيحاً بنسبة 19.6%.

لم يكن تأثير التقاطع هذا محض صدفة؛ فقد ظهر باستمرار عبر أنواع البيانات المختلفة. ففي الجراحة الروبوتية، حدد النظام اللحظات التي تسبق تغيير الجراح لتقنيته، مثل الانتقال من ربط عقدة إلى تمرير إبرة، موضحاً أن هذه الانتقالات هي أوقات لا تنطبق فيها قواعد الحركة المعتادة. وفي فيديوهات جراحة المنظار، سلط النظام الضوء على المراحل المعقدة للجراحة، مثل عندما يقوم الجراح بسحب المرارة، حيث يصبح المشهد البصري فوضوياً وغير متوقع. وفي حالة علاج سرطان الدماغ، أثبت النظام فائدته فقط عند النظر إلى سلسلة العلاج الكاملة على مدار أسابيع، لأن "تشوه" مسار المرض كان عملية بطيئة لا يمكن رؤيتها في لقطة واحدة. ووجدت الدراسة أن قيمة هذا النظام المعزز لم تعتمد على مدى جودة التنبؤ الأولي؛ فحتى عندما كان النموذج الحاسوبي القياسي دقيقاً جداً في التنبؤ بالمستقبل، وجد النظام المعزز قيمة في رصد اللحظات التي يتوقف فيها ذلك التنبؤ عن الصمود.

كما سلط البحث الضوء على أن هذه الفائدة تعتمد كلياً على التوقيت. فتماماً كما تحتاج الكاميرا إلى سرعة غالق مناسبة لالتقاط جسم سريع الحركة دون تشويش، احتاج هذا النظام إلى النظر في مقدار مناسب من الوقت لرؤية التغيير. ففي دراسة السرطان، جعل النظر في نوافذ زمنية قصيرة ومنفصلة النظام أقل فعالية، لكن النظر في سلسلة العلاج بأكملها سمح له برؤية تشوه مسار المرض. يشير هذا إلى أن النظام ليس بديلاً عالمياً للطبيب، بل هو أداة متخصصة تصبح ضرورية فقط عندما تكون الحالة في حالة تغير. وتذكر الدراسة صراحة أنها لا تدعي حل مشكلة الجراحة الذاتية أو العلاج، ولا توفر برنامجاً جاهزاً للمستشفيات لتثبيته. كما تظل الطرق المحددة لكيفية اكتشاف النظام لهذه التغييرات غير معلنة، وتستند النتائج إلى النظر في البيانات الماضية بدلاً من الاختبار في غرفة عمليات حية.

في نهاية المطاف، تجادل الورقة بأن مستقبل الذكاء الاصطناዊ الطبي لا يكمن في بناء آلات تحاول أن تكون أطباء أفضل من البشر، بل في إنشاء أنظمة تفهم متى تتغير قواعد اللعبة. إن التعاون الأكثر فعالية قد يكون ذلك الذي يتولى فيه حاسوب قياسي التعامل مع الأجزاء الروتينية والمتوقعة من الحالة، بينما يراقب نظام متخصص مدرك للتدخل اللحظات التي تتغير فيها حالة المريض بطرق تتحدى الخطة الموضوعة. في لحظات الانحراف الحرجة هذه، يمكن للنظام أن يقدم نوعاً مختلفاً من الذكاء، ذكاءً يدرك أن الأرض التي استند إليها التنبؤ قد تحركت. وتخلص الدراسة إلى أن السؤال الصحيح للمجال ليس ما إذا كانت الآلة يمكنها هزيمة الطبيب، بل أين تكتمل معلوماتهما بشكل تكاملي، مما يضمن أن التكنولوجيا تحافظ على النظام الذي تساعده من خلال المساعدة في توجيه الأطباء خلال اللحظات غير المتوقعة من الرعاية.