MedAgent-RAG: an agentic retrieval-augmented system for adaptive clinical history-taking, with a network analysis of medical interviews

في البيئة الهادئة وعالية المخاطر للاستشارة الطبية، غالبًا ما تكون المهمة الأولى والأكثر حرجًا ليست التشخيص نفسه، بل جمع القصة. يجب على الطبيب أن يستمع إلى شكوى المريض، ثم يطرح تسلسلًا محددًا من الأسئلة للكشف عن التفاصيل الخفية التي تميز مرضًا عن آخر. هذه العملية، المعروفة باسم أخذ التاريخ السريري، هي تحقيق مهيكل وليست مجرد دردشة حرة التدفق. إنها تتطلب من الطبيب تتبع عشرات الأجزان المتحركة: توقيت العرض، وشدته، والسجل الطبي السابق للمريض، وعاداته اليومية. إذا أغفل الطبيب تفصيلًا واحدًا، مثل سفر المريض مؤخرًا أو نوع معين من الألم، فقد يكون التشخيص بأكمده خاطئًا. لعقود من الزمن، حاول الباحثون تعليم الحواسيب القيام بهذا العمل، آملين في بناء ذكاء اصطناعي يمكنه أن يعمل كمساعد لا يكل في مجال الطب عن بُعد. ومع ذلك، تعثرت المحاولات المبكرة غالبًا، إما عبر طرح نفس الأسئلة بشكل متكرر أو بالخروج عن الموضوع لأنها عاملت المحادثة كلعبة لغوية بسيطة بدلاً من كونها تحقيقًا منطقيًا.

يقدم بحث جديد نظامًا مصممًا لحل هذه المشكلة من خلال التعامل مع المقابلة الطبية كخريطة ديناميكية وليس كنص مكتوب. فقد بنى الباحثون وكيل ذكاء اصطناعي يحتفظ بسجل داخلي واضح لما يعرفه في كل لحظة، ويقرر سؤاله التالي بناءً على تلك الحالة المحددة من المعرفة. ولفهم مدى فعالية هذا النظام، ولمعرفة كيف يقارن بالأطباء البشر الحقيقيين، قام الفريق بتحليل مئات المقابلات الطبية المسجلة. لقد رسموا الروابط بين الأعراض والأمراض، وتتبعوا المسار الذي يسلكه الأطباء أثناء انتقالهم من موضوع إلى آخر. وكانت النتيجة نظامًا يطرح أسئلة أفضل وينتج ملخصات أكثر دقة من الطرق السابقة، لكن الدراسة كشفت أيضًا عن حقيقة مفاجئة حول كيفية عمل المقابلات الطبية في الواقع: وهي أن الأعراض الأكثر شيوعًا غالبًا ما تكون الأقل فائدة في تضييق نطاق التشخيص، وأن الطريقة التي ينظم بها الأطباء أسئلتهم تتبع إيقاعًا متوقعًا يتكون من جزأين يمكن للآلات الآن تعلم محاكاته.

يعمل النظام الذي يقع في قلب هذا البحث، والذي يسمى MedAgent-RAG، مثل محقق ماهر لا ينسى أي دليل أبدًا. فبدلاً من مجرد توليد الجملة التالية بناءً على ما قاله المريض للتو، يحافظ النظام على حالة ذهنية مفصلة. إنه يتتبع كل عرض أكده المريض، وكل تشخيص لا يزال ممكنًا، وكل سؤال طُرح بالفعل، وأي علامات تحذيرية عاجلة ظهرت. وقبل أن يطرح سؤالًا واحدًا، يتحقق من هذه الحالة الداخلية ليقرر ما هي المعلومة المفقودة وما هو السؤال الذي سيقدم أكبر قيمة. وإذا اكتشف النظام علامة خطر، مثل سعال المريض للدم، فإنه يغير استراتيجيته فورًا لإعطاء الأولوية لذلك الاكتشاف العاجل. وبمجرد انتهاء المقابلة، لا يخمن النظام الإجابة فحسب؛ بل يسترجع إرشادات طبية محددة ويجمعها مع الأدلة التي جمعها لتقديم تقييم نهائي. يسم هذا النهج النظام من التكيف مع إجابات المريض في الوقت الف real، متجنبًا الحلقات المتكررة التي غالبًا ما تقع فيها برامج الدردشة الآلية (chatbots) الأبسط.

ولاختبار ما إذا كان هذا النهج فعالًا حقًا، وضع الباحثون نظامهم في مواجهة نموذج ذكاء اصطناعي قياسي حاول تشخيص مريض بناءً على ملخص واحد للمحادثة، دون طرح أي أسئلة متابعة. كانت النتائج واضحة؛ فالنظام الجديد، الذي انخرط في حوار متبادل، أنتج تقييمات كانت أكثر دقة وأفضل هيكلة من النموذج أحادي الخطوة. ومن حيث مدى مطابقة الملخص النهائي للكمبيوتر مع استنتاج الطبيب البشري، فقد حسن النظام الجديد درجته من 0.68 إلى 0.84. ومع ذلك، جاء هذا التحسن مع مقايضة: فقد استغرق النظام التفاعلي في المتوسط 15.8 دورة لإكمال مقابلة واحدة، بينما أجاب النموذج أحادي الخطوة في دورة واحدة فقط. وقد تم قضاء الوقت الإضافي في جمع الأدلة الدقيقة اللازمة لاتخاذ قرار موثوق، مما يشير إلى أنه في الطب، غالبًا ما تؤدي المحادثة الأطول إلى نتيجة أكثر أمانًا.

لم يتوقف الباحثون عند بناء النظام فحسب؛ بل استخدموا أيضًا البيانات المستمدة من 231 مقابلة طبية حقيقية لفهم البنية الأساسية لكيفية تفكير الأطباء. لقد تعاملوا مع المقابلات كشبكة، حيث رسموا خطوطًا بين الأعراض والأمراض التي قد تشير إليها. وما وجدوه هو أن المعرفة الطبية ليست تسلسلاً هرميًا واحدًا ومرتبًا حيث تنتقل من العام إلى الخاص. بدلاً من ذلك، تنقسم المعرفة إلى مقصورات أو وحدات متميزة. إذ تتعلق مجموعة من الأعراض والأمراض بمشاكل الحلق، وأخرى بمشاكل الرئة المزمنة، وأخرى بالعدوى الفيروسية. هذه المقصورات منفصلة، مما يعني أن المريض الذي يعاني من ألم في الحلق من المرجح أن يكون في عالم تشخيصي مختلف عن المريض الذي يعاني من ألم في الصدر. وأظهرت الدراسة أن الأعراض الأكثر شيوعًا، مثل السعال أو ضيق التنفس، تعمل كجسور بين هذه العوالم المختلفة. ولأنها تظهر في أنواع كثيرة مختلفة من الحالات، فهي لا تساعد كثيرًا في تضييق نطاق التشخيص. في المقابل، فإن النتالج الأندر، مثل السعال المصحوب بدم أو فقدان الوزن غير المبرر، تحمل معلومات أكثر بكثير وهي أكثر فائدة بكثير لتحديد المرض الصحيح.

لقد تحدى هذا الاكتشاف افتراضًا شائعًا في التدريب الطبي: وهو أن على الطبيب دائمًا وصف الشكوى الرئيسية بالكامل قبل الانتقال إلى مواضيع أخرى. أظهر تحليل الشبكة أن قضاء الوقت في توصيف عرض شائع مثل السعال غالبًا ما يعطي معلومات قليلة جدًا عن الحالة الفعلية التي يعاني منها المريض. ووجد الباحثون أن الأسئلة الأكثر تمييزًا غالبًا ما تأتي في وقت لاحق من المقابلة، عندما يستكشف الطبيب التاريخ الاجتماعي، أو الخلفية العائلية، أو التعرضات المحددة. علاوة على ذلك، كشفت الدراسة أن الأطباء يقسمون أسئلتهم طبيعيًا إلى مرحلتين متميزتين. تركز المرحلة الأولى على المرض الحالي والتاريخ الطبي السابق، بينما تغطي المرحلة الثانية العادات الاجتماعية، والتاريخ العائلي، والتعرضات البيئية. ويتتبع تدفق الأسئلة بين هذه المواضيع نمطًا بسيطًا ومتوقعًا يمكن وصفه بنموذج رياضي أساسي، مما يعني أنه بمجرد أن يعرف الطبيب الموضوع الحالي، يمكنه التنبؤ بالموضوع التالي بدقة عالية.

إن الآثار المترتبة على هذه النتائج لتصميم الذكاء الاصطناعي الطبي مباشرة وعملية. فقد قارن الباحثون قواعد نظامهم مع الأنماط التي وجدوها في المقابلات الحقيقية. واكتشفوا أن طريقة النظام في تحديد متى تكون المقابلة "مكتملة" كانت متوافقة جيدًا مع كيفية قضاء الأطباء لوقتهم بالفعل. ومع ذلك، لم يكن ترتيب الأسئلة التي يطرحها النظام كذلك؛ فقد تمت برمجة النظام لطرح الأسئلة حول الأعراض أولاً والتاريخ الاجتماعي أخيرًا، وهو عكس ما كان يفعل الأطباء في الدراسة بالفعل. فقد بدأ الأطباء في البيانات بالمعلومات الأساسية وانتقلوا نحو التاريخ الاجتماعي في وقت أبكر بكما. ومن خلال مجرد ضبط النظام ليتبع الترتيب الطبيعي الملحوظ في المقابلات البشرية، استطاع الباحثون جعل الوكيل الاصطناعي يتصرف بشكل يشبه الطبيب الحقيقي دون تغيير تقنيته الأساسية.

تخلص الدراسة إلى أن مستقبل الذكاء الاصطناعي الطبي يكمكم في فهم بنية المحادثة نفسها. فمن خلال رسم الروابط بين الأعراض والأمراض، ومراقبة إيقاع انتقال الأطباء من موضوع إلى آخر، يمكن للباحثين بناء أنظمة تطرح الأسئلة الصحيحة في الوقت الصحيح. يثبت النظام الموصوف في الورقة البحثية أن الوكيل الذي يحافظ على حالة معرفية واضحة ويتكيف مع أسئلته بناءً على تلك الحالة يمكنه التفوق على النماذج التي تعتمد فقط على الطلاقة اللغوية. وبينما يستغرق النظام وقتًا أطول للوصول إلى استنتاج مقارنة بما قد يستغرقه الإنسان في سيناريو مثالي، فإن الوقت الإضافي يُقضى في جمع المعلومات المحددة ذات القيمة العالية التي تؤدي إلى تشخيص صحيح. وتشير الأبحاث إلى أن الجيل القادم من المساعدين الطبيين لن يكون فقط أفضل في التحدث، بل سيكون أفضل في التفكير، مستخدمًا الخريطة الخفية للمعرفة الطبية لتوجيه كل خطوة في المحادثة.