تلعب جودة المستشفيات (Hospital Quality Improvement - QI) دوراً حيوياً في تحسين تقديم الرعاية الصحية، حيث تُترجم الأهداف الاستراتيجية للمستشفيات إلى حلول قابلة للتنفيذ. ومن الخطوات الأساسية في تحسين الجودة، تحديد العوامل الرئيسية القابلة للتعديل، وهي عملية تُعرف باكتشاف عوامل الجودة (QI factor discovery). عادةً ما يُستخدم أسلوب الخبراء عبر أدوات نوعية شبه منظمة مثل الرسوم البيانية، ومراجعات البيانات، وطرق Lean Healthcare.

تتمتع تقنيات الذكاء الاصطناعي (AI) بإمكانية تحويل وتسريع هذه العملية التقليدية المعقدة التي تتطلب وقتاً وموارد ضخمة، ولكنها تعاني من محدودية القابلية للتطبيق والمراجعة. ومع ذلك، فإن طرق محاذاة الذكاء الاصطناعي الحالية تفترض أن المهمة معرفة بشكل جيد، بينما يعتمد اكتشاف عوامل تحسين الجودة على عملية استكشافية غير واضحة وتعتمد على أحكام معقدة وغير مباشرة من قبل الخبراء.

لتصميم نظام ذكاء اصطناعي يُنظم عملية تحسين الجودة مع الحفاظ على مكوناتها الاستكشافية، نقترح تعديل مدى التعلم ليشمل ليس فقط أوامر نماذج اللغات الضخمة (LLM Prompts) بل أيضاً المواصفات الطبيعية العامة. على وجه الخصوص، نربط اكتشاف عوامل تحسين الجودة بخطوات عملية تطوير الذكاء الاصطناعي والتعلم الآلي (AI/ML)، حيث تعتبر المواصفات معلمات قابلة للتعديل.

يتعاون الخبراء في هذا السياق مع وكلاء الذكاء الاصطناعي بشكل متكرر لتعديل كل من المواصفات العامة ونظام الذكاء الاصطناعي حتى تتماشى مخرجات الذكاء الاصطناعي مع ملاحظات الخبراء وتنسجم مع الأهداف السريرية. تم تطبيق هذا الإطار المعروف بـ “Human-AI Spec-Solution Co-optimization” في أحد المستشفيات الحضرية، حيث تم تحديد العوامل التي تؤدي إلى زيادة مدة الإقامة غير المخطط لها وإعادة الإدخال في غضون 30 يوماً. وقد حقق نظام الذكاء الاصطناعي لهذا الغرض توافقاً بنسبة لا تقل عن 70% مع ملاحظات الخبراء.

عند مقارنته بالتحليلات اليدوية السابقة، كان نظام الذكاء الاصطناعي متفوقاً من حيث الكفاءة واسترجع النتائج السابقة بجانب الكشف عن عوامل جديدة قابلة للتعديل، مما وفّر قوى تحليلات قابلة للمراجعة.