نظام قائم على الذكاء الاصطناعي لتحليل الحوادث والتعلم لتعزيز سلامة المريض وتحسين جودة العلاج

لماذا تهم مراجعات الحوادث الأذكى المرضى

وراء كل علاج للسرطان آمن ثمة طبقة غير مرئية من الفحص والتحقق الثنائي والتعلم من الحوادث القريبة. العلاج الإشعاعي دقيق للغاية، لكن سير العمل المعقد القائم على فرق متعددة يترك مجالاً لأخطاء صغيرة قد تتسع إلى مشاكل كبيرة. تجمع المستشفيات بالفعل آلاف التقارير عن الحوادث القريبة والخلل الطفيف، ومع ذلك فإن فرز هذه الروايات يدوياً بطيء وغير متسق. تصف هذه المقالة نظاماً جديداً قائمًا على الذكاء الاصطناعي يساعد الخبراء على تحليل تقارير الحوادث بسرعة، وكشف الأنماط الخفية في كيفية حدوث الأخطاء وأسبابها، وتحويل تلك المعرفة إلى رعاية أكثر أماناً.

من القصص البشرية إلى تعلم النظام

عندما يحدث شيء غير معتاد أثناء علاج إشعاعي—مثل تعليمات مربكة أو تأخير أو حادث قريب—يقوم الأطباء بتقديم تقرير سردي بكلماتهم الخاصة. تقليديًا، تقرأ فرق الجودة والسلامة كل رواية، وتحدد ما الذي سار بشكل خاطئ، وتُصنفها ضمن إطار للعوامل البشرية يُسمى HFACS، الذي يفكك الأسباب المساهمة من الزلات على خط المواجهة إلى مشكلات تنظيمية أعمق. هذا النهج قوي لكنه يستغرق وقتًا طويلاً، خاصة في مراكز السرطان المزدحمة حيث تُسجل آلاف الحوادث، ومعظمها لا يسبب ضررًا للمرضى لكنه لا يزال يحتوي دروسًا قيمة. يهدف نظام التحليل والتعلم من الحوادث القائم على الذكاء الاصطناعي (AI-ILS) إلى دعم هذه الفرق من خلال أتمتة جزء كبير من عمل التصنيف مع الحفاظ على إشراف الخبراء.

تنقية وتوضيح لغة الحوادث

قبل أن يتمكن الخوارزم من فهم قصة حادث، يجب أن يكون النص آمناً للمشاركة وواضح المعنى. يزيل AI-ILS أولاً التفاصيل الشخصية—مثل الأسماء والتواريخ وأرقام السجلات—باستخدام نماذج لغوية متخصصة مدرَّبة على التعرف على المعلومات الحساسة في النص الطبي. ثم يقوم بتوسيع الاختصارات الطبية والمصطلحات المحلية إلى عبارات أوضح، بحيث تُفهم الاختصارات مثل «DIBH» أو الاختصارات الوظيفية بشكل صحيح. تجعل هذه الخطوة المزدوجة التقارير مجهولة الهوية وأسهل على النموذج الأساسي أن يفهمها، مع الحفاظ على البنية والنوايا الأصلية للسرد، وهو أمر حاسم للحكم بدقة على ما الذي سار بشكل خاطئ.

تعليم ذكاء اصطناعي لرؤية الأسباب الأعمق

في صلب النظام نموذج لغوي كبير تم ضبطه بدقة على 1548 تقرير حادث وهمي مُعد بعناية. كتب فريق متعدد التخصصات—بما في ذلك الفيزيائيون والممرضات والمعالجون والدوُزيمتريون والأطباء—هذه الأمثلة لتغطي مجموعة واسعة من المشكلات عبر المستويات الأربعة لإطار HFACS: الأفعال غير الآمنة، الظروف المسبقة (مثل التوظيف أو البيئة)، الإشراف، والتأثيرات التنظيمية الأوسع. تم تدريب النموذج في أربعة فروع متوازية، فرع لكل مستوى، مع خيار إضافي «لا شيء مما سبق» لتجنب فرض كل رواية داخل فئة غير مناسبة. بعد الضبط الدقيق، تحسنت أداءات النموذج بشكل كبير: ارتفعت قدرته على تمييز العلامات الصحيحة من الخاطئة (كما تقاس بمقاييس الدقة والارتباط القياسية) من مستوى قريب من الصدفة إلى اتفاق قوي مع حكم الخبراء.

اختبار النظام في العيادات الحقيقية

طبق الباحثون بعد ذلك AI-ILS على 350 تقرير حادث حقيقي من قاعدة بيانات السلامة الداخلية لمركز سرطان كبير. بمقارنة تصنيفات النظام مع تصنيفات فيزيائيي الطب المتمرسين، وجدوا اتفاقًا صارمًا بنحو 79% واتفاقًا يقارب 88% عندما اُحتُسبت الحالات الحدية باعتبارها «مقبولة قد تكون». عمل النظام أسرع بكثير من البشر: كان بإمكانه معالجة وتصنيف حادث بالكامل في نحو خمس ثوانٍ، بينما كان المراجعون يحتاجون حوالي دقيقتين ونصف لكل حالة. تتيح واجهة بسيطة على شكل دردشة للأطباء رؤية كيف فسَّر الذكاء الاصطناعي التقرير، وطرح أسئلة متابعة، وفهم السبب وراء اقتراح سبب معين، مما يحول الأداة إلى شريك بدلاً من صندوق أسود.

ما الذي يعنيه هذا لرعاية أكثر أمانًا

تشير هذه الدراسة إلى أن نظامًا ذكيًا مُصمَّمًا بعناية يمكنه دعم الخبراء بشكل موثوق في فهم كميات كبيرة من تقارير السلامة، مفسحًا المجال لمزيد من الوقت للتحقيق الأعمق واتخاذ الإجراءات. بدلاً من استبدال الحكم البشري، ينظم AI-ILS أنماط الحوادث ويُوحّدها عبر الأخطاء على خط المواجهة وظروف العمل والإشراف والممارسات التنظيمية. مع اعتماد أوسع ومجموعات بيانات أكبر ومتعددة المراكز، يمكن لأدوات مماثلة أن تساعد المستشفيات على الانتقال من الإصلاحات التفاعلية بعد وقوع الحوادث إلى تحسينات استباقية مستندة إلى البيانات في كيفية تقديم الرعاية—مخففة بصمت من الضرر الذي يمكن الوقاية منه وجاعلة العلاجات المعقدة مثل العلاج الإشعاعي أكثر أمانًا للمرضى في كل مكان.

الاستشهاد: Jinia, A.J., Chapman, K., Liu, S. et al. Artificial intelligence-based incident analysis and learning system to enhance patient safety and improve treatment quality. npj Digit. Med. 9, 254 (2026). https://doi.org/10.1038/s41746-026-02390-2

الكلمات المفتاحية: سلامة المريض, العلاج الإشعاعي, الإبلاغ عن الحوادث, الذكاء الاصطناعي, العوامل البشرية