شهدت الآونة الأخيرة تطورات مثيرة في مجال الذكاء الاصطناعي، خاصة في نماذج اللغات الضخمة (Large Language Models) وأنظمة الوكلاء المتعددة، مما أدى إلى ظهور مفهوم جديد يسمى الذكاء الاصطناعي القائم على الوكالة (Agentic AI). يبرز هذا النوع من الذكاء الاصطناعي بوعد كبير لتحسين عملية التفكير الطبي، لكن يُظهر بعض العيوب مثل انتقال التشخيص المبكر والهلاوس السريرية التي قد لا تُكتشف إلا بعد وصولها إلى المريض.

في دراسة جديدة، تم اقتراح إطار عمل متعدد الوكلاء يهدف إلى معالجة هاتين المسألتين من خلال استبدال نموذج التوجيه القائم على "LLM كقاضي" بوسائل تحكم حاسمة. يشمل هذا الإطار آليتين لضمان الأمان؛ أولا، بوابة تتبع حالة عصبية-رمزية (neuro-symbolic state-tracking gate) تضمن اكتمال بروتوكول OLDCARTS السريري والذي يتضمن معلومات عن onset (بداية الأعراض)، location (الموقع)، duration (المدة)، character (الطبيعة)، aggravating/ alleviating factors (العوامل المؤثرة) وغيرها، حيث تمنع انتقال التشخيص حتى جمع جميع الأبعاد المطلوبة.

ثانيا، بوابة قياس عدم اليقين المعرفي (epistemic uncertainty quantification gate) تقوم بحساب انتروبيا دلالية (semantic entropy) عبر خمسة عينات تشخيصية مستقلة، مما يساعد في التعرف على المخرجات المنحرفة واعتراضها قبل توصيلها. تم تقييم هذا النظام باستخدام وكلاء مرضى محاكيين استناداً إلى نموذج llama-3.1-70b-instruct عبر 150 حالة اختبار.

أظهرت النتائج التي تم التوصل إليها أن البنية التحتية الكاملة تحققت دقة تشخيص تبلغ 49.3%، مما يمثل تحسيناً مطلقاً قدره 11.3 نقطة مئوية مقارنة بأساس غير مقيد. بشكل مثير، لوحظ أيضا وجود علاقة سلبية ذات دلالة إحصائية بين اكتمال بروتوكول OLDCARTS (σ) والانتروبيا الدلالية (H)، مما يشير إلى أن جمع المعلومات بشكل منظم يرتبط بتقليل عدم اليقين التشخيصي.

هذه النتائج تفتح آفاقًا جديدة في كيفية استخدام الذكاء الاصطناعي لتحسين مستوى الرعاية الصحية، وتخفيض المخاطر المرتبطة بالتشخيص غير الدقيق. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.