في ظل التقدم السريع للذكاء الاصطناعي، يبدو أن نموذج البيانات المستخدم في معالجة المعلومات الطبية يُعتبر عاملاً حاسمًا لتقليل الأخطاء في الممارسات السريرية. تتناول دراسة حديثة موضوع ‘تسلسل البيانات’ (Serialization) وكيف يؤثر تنسيق FHIR (Fast Healthcare Interoperability Resources) على توافق الأدوية في سياقات متنوعة.

تُعد عملية توافق الأدوية خلال التبادلات السريرية من الممارسات الدقيقة والتي يسهل وقوع الأخطاء فيها. تم اقتراح استخدام نماذج اللغة الكبيرة (Large Language Models) لدعم هذه المهمة من خلال الاستفادة من سجلات المرضى المهيكلة بنمط FHIR. لكن ما لم يُدرس بشكل واف هو كيفية تسلسل بيانات FHIR قبل تمريرها إلى النموذج.

قدمت الدراسة مقارنة منهجية بين أربع استراتيجيات لتسلسل بيانات FHIR: JSON الخام (Raw JSON)، جدول Markdown، السرد السريري (Clinical Narrative)، والجدول الزمني الزمني (Chronological Timeline). تم التحقق من أداء خمس نماذج مفتوحة الوزن (Phi-3.5-mini، Mistral-7B، BioMistral-7B، Llama-3.1-8B، Llama-3.3-70B) على 200 مريض محاكي في 4,000 عملية استنتاج.

تشير النتائج إلى أن استراتيجية التسلسل لها تأثير كبير ومؤثر بشكل إحصائي على أداء النماذج ذات الـ 8 مليارات معلمة، حيث تفوق السرد السريري على JSON الخام بفارق يصل إلى 19 نقطة في درجات F1 لنموذج Mistral-7B. ومع ذلك، ينقلب هذا التفوق لصالح JSON الخام عندما نصل إلى النماذج ذات الـ 70 مليار معلمة.

علاوة على ذلك، تُظهر النتائج أن النماذج الأصغر قد تصل إلى حد أدنى من الأداء عند حوالي 7-10 أدوية نشطة في وقت واحد، مما يعني أن المرضى الذين يعانون من تعدد الأدوية، وهم الأكثر عرضة لأخطاء التوافق، يتلقون خدمات غير كافية.

توصي الدراسة باستخدام السرد السريري للنماذج التي تحتوي على 8 مليارات معلمة أو أقل، بينما يُفضل استخدام JSON الخام للنماذج ذات الـ 70 مليار معلمة أو أكثر. هذه النتائج تؤكد أهمية اختيار استراتيجية التسلسل المناسبة لضمان سلامة المرضى وجودة الرعاية الصحية.

إذا كنت مهتماً بتفاصيل أكثر عن كيفية تحسين نظام الرعاية الصحية باستخدام تقنيات الذكاء الاصطناعي، فما رأيك في هذا التطور؟ شاركونا في التعليقات!