توليد ملخصات خروج دقيقة باستخدام نماذج لغوية كبيرة مضبوطة بدقة مع التقييم الذاتي

لماذا الوثائق بالمستشفى مهمة فعلاً

عندما يغادر المريض المستشفى، لا تنتهي قصة مرضه عند باب الخروج. يعتمد الأطباء في العيادات الأخرى، وأطباء العائلة، والمرضى أنفسهم على مستند أساسي يُسمى ملخص الخروج لفهم ما حدث في المستشفى وما ينبغي فعله لاحقًا. ومع ذلك، فإن كتابة هذه الملخصات عمل بطيء ومتكرر يمكن أن يستغرق من الأطباء المشغولين نصف ساعة أو أكثر لكل مريض. تستكشف هذه الدراسة كيف يمكن لأدوات اللغة الاصطناعية الحديثة أن تساعد في صياغة ملخصات الخروج بسرعة ودقة أكبر، مع الحفاظ على خصوصية بيانات المرضى وبقائها تحت سيطرة المستشفى.

تحويل السجلات المبعثرة إلى سرد واضح

تنتشر معلومات المستشفى عبر العديد من النظم الإلكترونية: نتائج المختبر في جدول، وملاحظات الجراحة في آخر، وملاحظات التمريض في ثالث، وهكذا. تولد إقامة كل مريض آلاف القطع النصية الصغيرة. بنى الباحثون أولًا مسارًا لمعالجة هذه المعلومات المبعثرة والفوضوية إلى مدخلات نظيفة يمكن للنموذج اللغوي فهمها. باستخدام طرق لدمج وإزالة التكرار في السجلات المتداخلة، وفلترة التفاصيل الخاصة مثل الأسماء والهوية، وتصحيح الأخطاء الإملائية، وتوحيد المصطلحات الطبية، أنشأوا مدخلات مُهيكلة لكل إقامة بالمستشفى. طُبّق هذا الإجراء على بيانات أكثر من 6000 مريض خضعوا لجراحة الغدة الدرقية في مستشفى كبير بالصين، مما أنتج أمثلة مزدوجة من ملخصات خروج حقيقية والبيانات الخام التي كُتبت منها.

ضبط الذكاء الاصطناعي ليتحدث لغة الطب

النماذج اللغوية الكبيرة الجاهزة مُدربة على نصوص عامة من الإنترنت والكتب، لذلك غالبًا ما تواجه صعوبة مع اللغة الطبية المتخصصة وأنماط التوثيق المحلية. قارن الفريق عدة طرق لـ "ضبط" النماذج القائمة حتى تفهم سجلات طبية صينية بصورة أفضل. طريقة جديدة تسمى تكييف منخفض الرتبة مع تحليل الأوزان، أو DoRA، تعدل أوزان النموذج الداخلية بطريقة أكثر استهدافًا من التقنيات الأقدم مثل LoRA وQLoRA. عبر نماذج مختلفة، منها Qwen2 وMistral وLlama 3، أنتجت DoRA باستمرار ملخصات أكثر طلاقة، وأقرب في المعنى إلى ما يكتبه البشر، وأقل ارتباكًا (كما يقاس بمؤشر معياري يسمى الحيرة أو perplexity). باختصار، ساعدت DoRA الذكاء الاصطناعي على تعلم التعبيرات والمصطلحات الطبية دون الحاجة لإعادة تدريب كاملة على أجهزة ضخمة.

تعليم الذكاء الاصطناعي أن يتحقق من عمله بنفسه

حتى النموذج المدرب جيدًا قد ينسى تفاصيل مهمة أو يُدخل أخطاء طفيفة عندما يكتب ملخصًا طويلًا في مرور واحد. مستلهمين من أفكار نفسية عن التفكير السريع "النظام 1" مقابل التفكير البطيء والأكثر دقة "النظام 2"، صمَّم المؤلفون حلقة تقييم ذاتي. أولًا، يكتب النموذج مسودة ملخص الخروج من بيانات المستشفى المعالجة. ثم تُقسَّم البيانات الأصلية إلى مقاطع — مثل نتائج علم الأمراض، أو أوامر الأطباء، أو مجموعات فحوصات المعمل — ويُعاد إقران كل مقطع مع مسودة الملخص. يُطلب من النموذج، بعبارة موجزة، "هل كل ما في هذا المقطع منعكس في الملخص؟" فإذا كان الجواب لا، يُعدّل النص ليضيف المعلومات المفقودة أو غير المتسقة. تتكرر هذه الدورة حتى ثلاث مرات أو حتى يحكم النموذج بأن الملخص مكتمل، مُنتجًا نسخة مُنقَّحة تتطابق بشكل أوفى مع سجل المريض.

كيف أداء الذكاء الاصطناعي مقارنة بالبشر؟

لحكم الجودة، استخدم الفريق كلًا من الدرجات الآلية والمراجعين البشريين. قيَّم أطباء وباحثون طبيون الملخصات من حيث الدقة والكمال والوضوح والتناسق والفائدة للرعاية المستمرة. النظام الأفضل — الذي جمع بين ضبط DoRA وحلقة التقييم الذاتي — اقترب أكثر من الملخصات المكتوبة يدويًا في جميع المقاييس. حسّن بشكل خاص الكمال، أي قللت الأخطاء الناشئة عن تشخيصات أو علاجات مفقودة أو قيم مختبرية أساسية. في مثال مفصّل، نسي الذكاء الاصطناعي مبدئيًا ذكر سرطان درقي صغير وحبة هرمون معينة؛ بعد تمريرتي تقييم ذاتي، أُضيفت كلتا المعلومتين بشكل صحيح. في المتوسط، وَلّد النظام ملخص خروج في حوالي 80 ثانية على خادم المستشفى، مقارنة بـ30–50 دقيقة لكي ينشئ الطبيب مسودة من الصفر، رغم أن المراجعة البشرية تظل ضرورية قبل إدخال النص في السجل الرسمي.

ماذا يمكن أن يعني هذا للمرضى والكوادر الطبية

تُظهر الدراسة أنه مع تدريب دقيق وآليات فحص ذاتي مدمجة، يمكن لأنظمة الذكاء الاصطناعي إنتاج ملخصات خروج دقيقة بدرجة تُعد مقبولة سريريًا بعد مراجعة سريعة من قبل إنسان. هذا لا يُغيِر الأطباء، لكنه قد يحول وقتهم من الكتابة الروتينية إلى مراجعة وصنع قرار بمستوى أعلى. من خلال إبقاء كل العمليات الحسابية داخل شبكة المستشفى وإزالة التفاصيل المعروفة للشخص، يحترم النهج أيضًا خصوصية المريض. وبينما جاءت النتائج حتى الآن من قسم واحد في مستشفى واحد، يشير الإطار إلى مستقبل يمكن فيه للذكاء الاصطناعي مساعدة في تحويل بيانات طبية معقدة إلى سرديات واضحة وموثوقة عبر تخصصات عديدة، داعمًا تسليم رعاية أكثر أمانًا وفهمًا أفضل للمرضى وعائلاتهم.

الاستشهاد: Li, W., Feng, H., Hu, C. et al. Accurate discharge summary generation using fine tuned large language models with self evaluation. Sci Rep 16, 5607 (2026). https://doi.org/10.1038/s41598-026-35552-z

الكلمات المفتاحية: ملخصات الخروج, الذكاء الاصطناعي الطبي, نماذج لغوية كبيرة, التوثيق السريري, التقييم الذاتي