مطابقة الأطباء بالمحاولات السريرية باستخدام الذكاء الاصطناعي

لماذا تهمّ عملية إيجاد الأطباء المناسبين للتجارب

يجب اختبار كل دواء أو لقاح جديد في تجارب سريرية مصمّمة بعناية. ومع ذلك، تكافح العديد من التجارب لإيجاد متطوعين كافيين، أو تسجّل مرضى لا يعكسون التركيبة السكانية الواقعية للمستخدمين المستقبليين للعلاج. طوّر مؤلفو هذه الدراسة نظاماً ذكياً يُدعى DocTr يساعد منظمي التجارب على اختيار الأطباء والعيادات التي ينبغي أن تُجري الدراسة. من خلال تحسين خطوة «اختيار الموقع» هذه، يهدف النظام إلى تسريع وصول العلاجات الجديدة مع جعل البحث أكثر شمولية واقتصادية.

العنق الزجاجي الخفي في البحث الطبي

غالباً ما تفشل التجارب السريرية ليس لأن العلاج غير فعّال، بل لأن المرضى المناسبين لا يُسجلون أبداً. تقليدياً تعتمد شركات الأدوية على عمليات بحث يدوية، وشبكات شخصية، والتخمين لتقرير الأطباء الذين تُدعى للمشاركة. هذه العملية يمكن أن تكون بطيئة، ومنحازة لدائرة صغيرة من الباحثين المعروفين، وعمياء عن مواقع واعدة تخدم مجتمعات متنوعة. والنتيجة محبطة: تسجل العديد من مواقع التجارب أعداداً أقل بكثير من المتوقع، وبعضها لا يسجل أي مشاركين على الإطلاق، وتؤدي التأخيرات إلى تكبّد الرعاة مئات الآلاف إلى ملايين الدولارات يومياً.

تعليم الحاسوب مطابقة الأطباء بالتجارب

يتصدى DocTr للمشكلة بالتعلّم من عدة مصادر بيانات حقيقية وكبيرة. أولاً، يقرأ أوصاف التجارب العامة من ClinicalTrials.gov، بما في ذلك الأمراض التي تُدرس ومعايير الأهلية. ثانياً، يستخدم مطالبات التأمين المجهولة المصدر لبناء ملف يعكس كل طبيب استناداً إلى أنواع المرضى الذين يعالجهم—بمعنى آخر لمحة عن ممارسته على مدى خمس سنوات. ثالثاً، يستفيد من قاعدة بيانات US OpenPayments التي تسجّل مدفوعات الصناعة للأطباء المرتبطة بتجارب محددة. تعمل روابط المدفوعات السابقة هذه كمؤشر عن الأطباء الذين عملوا فعلاً في أي دراسات، مما يزوّد النظام بأمثلة عن مطابقات ناجحة ليتعلّم منها.

كيف يتعلّم الذكاء من النص والأرقام والشبكات

لدمج هذه العناصر، بنى الباحثون نموذجاً يفهم اللغة وأنماط البيانات. يستخدم مكوّن واحد نسخة طبية من نموذج اللغة BERT لتحويل ملخّصات التجارب وقواعد الأهلية إلى متجهات رياضية تلتقط المعنى. يختزل مكوّن آخر مزيج تشخيصات مرضى كل طبيب إلى تمثيل مضغوط. أما الجزء الثالث فيعامل سجل التعاون بين الطبيب والتجربة كشبكة ويستخدم تقنيات التعلم الرسومي لالتقاط من عمل مع من وفي أي مجالات. يمزج DocTr هذه الإشارات ليعطي درجة تطابق واحدة لكل زوج محتمل من التجربة والطبيب، ثم يرتّب الأطباء لكل دراسة جديدة.

مطابقات أفضل، تسجيل أكثر إنصافاً ونزاعات أقل

عند اختباره على نحو 25,000 طبيب في الولايات المتحدة وأكثر من 5,000 تجربة، أنتج DocTr قوائم أطباء موصى بهم كانت أقرب بحوالي 58% إلى قوائم الأطباء الفعلية مقارنة بأفضل الطرق الحالية. والأهم من ذلك أن النظام لا يركّز على الدقة فقط. خطوة تحسين مضمّنة تعيد ترتيب المرشحين الأوائل لتعزيز التنوع في العرق والإثنية والجغرافيا، مع تجنّب الأطباء المشغولين فعلياً بعدة دراسات أخرى. زادت هذه العملية درجات التنوع مقارنة بالممارسات الحالية وخفّضت المتوسط لعدد التجارب المتداخلة للأطباء الموصى بهم إلى ما يقارب الصفر، دون التضحية بجودة المطابقة.

رؤية أبعد للتكلفة والتخطيط

لأن DocTr يتعلّم أيضاً من سجلات المدفوعات، فإنه يستطيع تقدير مدى تكلفة التجنيد لتجربة جديدة أو لطبيب معين. من خلال العثور على تجارب وأطباء سابقين ذوي ملفات مماثلة، ينتج توقعات للتكلفة والتسجيل تتبع البيانات الحقيقية بشكل مقبول. هذه التوقعات ليست ميزانيات كاملة، لكنها تزوّد الرعاة وسيلة لمقارنة الخيارات، ورصد الخطط المكلفة بشكل غير معتاد، واختيار استراتيجيات تجنيد توازن بين السرعة والتنوع والتكلفة.

ما الذي يعنيه هذا للمرضى وللمستقبل

تُظهر الدراسة أن الاستخدام الذكي للبيانات المتاحة يمكن أن يجعل التجارب السريرية أكثر موثوقية وسرعة وعدلاً. لا يستطيع DocTr إصلاح كل مصادر التحيّز—مثل قواعد الأهلية المقيدة المدوّنة في بروتوكول—لكنه قادر على توسيع دائرة الأطباء المأخوذين في الاعتبار والمساعدة في إشراك مجتمعات غالباً ما تُستبعد من الأبحاث. إذا تم تبنّي أنظمة مثل DocTr وحُكّمت بعناية، فقد تُقصر المسافة من اكتشافات المختبر إلى العلاجات الواقعية، وتمنح المزيد من المرضى فرصة المشاركة في تشكيل أدوية الغد.

الاستشهاد: Gao, J., Xiao, C., Glass, L.M. et al. Matching clinicians with clinical trials using AI. Nat. Health 1, 290–299 (2026). https://doi.org/10.1038/s44360-026-00073-6

الكلمات المفتاحية: تجنيد مشاركين للتجارب السريرية, الذكاء الاصطناعي في الطب, اختيار مواقع التجارب, المساواة الصحية, تحليلات البيانات الطبية