تعتبر التجارب السريرية أحد الجوانب الحيوية في تطوير الأدوية الجديدة، ولكن يظل الالتزام الصارم ببروتوكولات الأدوية تحدياً كبيراً، حيث تواصل الأخطاء الدوائية التأثير السلبي على سلامة المرضى ونزاهة الدراسات. في دراسة جديدة تُعلن عنها منصة arXiv، تم تقديم نظام آلي مبتكر لرصد الأخطاء في جرعات الأدوية ضمن السرديات السريرية غير المنظمة، وذلك باستخدام تقنية تعزيز الانحدار (gradient boosting) مع هندسة ميزات متعددة الأبعاد.

تجمع هذه المنهجية بين 3,451 ميزة تتناول مجموعة متنوعة من أساليب معالجة اللغة الطبيعية التقليدية (مثل TF-IDF وn-grams)، بالإضافة إلى الانغماسات الدلالية الكثيفة (مثل all-MiniLM-L6v2)، ونماذج طبية محددة، ونقاط بناءً على المحولات (مثل BiomedBERT وDeBERTa-v3)، لتدريب نموذج LightGBM.

تتم استخراج الميزات من تسعة حقول نصية مكملة بمتوسط 5,400 حرف لكل عينة، مما يضمن تغطية شاملة لـ 42,112 سردية سريرية. في اختبار CT-DEB، الذي يظهر معدل غير متوازن للغاية للأصناف (4.9% فقط إيجابية)، حقق النظام 0.8725 في ROC-AUC من خلال تطبيق التحقق المتقاطع (cross-validation) مما يعكس فعالية النموذج.

كما أظهرت دراسات استئصال منهجية أن إزالة انغماسات الجمل تؤدي إلى أكبر تدهور في الأداء، مما يبرز أهمية هذه الميزة رغم أنها تسهم فقط بنسبة 37.07% من أهمية الميزات الإجمالية. بالإضافة إلى ذلك، تشير التحليلات إلى أن اختيار أفضل 500-1000 ميزة يحقق أداءً أمثل (0.886-0.887 AUC)، متجاوزاً مجموعة الميزات الكاملة المكونة من 3,451 ميزة (0.879 AUC) من خلال تحسين تقليل الضوضاء.

تشير هذه النتائج إلى أهمية اختيار الميزات كوسيلة لتقليل الوزن الزائد، وتظهر أن الميزات اللفظية النادرة تكمل التمثيلات الكثيفة لتصنيف النصوص السريرية المتخصصة حتى في ظل عدم توازن الأصناف.