تعتبر تجاوزات الأطباء لتوصيات الذكاء الاصطناعي (Clinical AI) بمثابة بيانات ضمنية تعكس تفضيلات الأطباء. هذه الإشارات ليست فقط أداة لتحسين الذكاء الاصطناعي، بل ترسي قاعدة لفهم أفضل لآليات الرعاية الصحية القيمية (Value-Based Care). في هذا السياق، نعرض إطار عمل جديد يتيح توسيع نطاق تعلم التفضيلات ليشمل ثلاثة عناصر أساسية:

1. **تصنيف متنوع للتجاوزات**: تم تطوير تصنيف مكون من خمس فئات لتجاوزات الأطباء، والذي يربط بين أنواع التجاوزات وأهداف تحديث نماذج الذكاء الاصطناعي.

2. **صياغة التفضيلات**: تأخذ صياغة التفضيلات في الاعتبار حالة المريض (s)، وسياق المؤسسة (c)، وقدرة الطبيب (kappa)، حيث تتجزأ الكابا إلى قدرتين: القدرة التنفيذية (kappa-exec) و القدرة التوافقية (kappa-align).

3. **هيكل التعلم المزدوج**: يعمل هذا الهيكل على تدريب نموذج مكافأة ونموذج قدرة بشكل مشترك، مما يحد من ما يسمى بانحياز التثبيط، وهو انقراض التوصيات الصحيحة التي قد تكون صعبة التنفيذ عندما تنخفض قدرة الطبيب تحت حد معين.

نرى أن إدارة الأمراض المزمنة ضمن عقود الدفع المرتبطة بالنتائج تقدم بيانات تجاوز فريدة من نوعها، تشمل كثافة طولية وسمات اتخاذ القرار وتركيز نتائج قابلة للقياس. كما أن البيئات التدريبية التي تجمع بين قياس النتائج الطولية مع حوافز مالية متوافقة ضرورية لتعلم نموذج مكافأة يتماشى مع مسار المريض بدلاً من مجرد اعتبارات اقتصادية.

بالتالي، يمثل هذا الإطار حلاً مبتكراً يسعى لتحسين قدرة الأطباء في بيئات الرعاية الصحية القيمية ويعكس الإمكانيات الكبيرة لنماذج الذكاء الاصطناعي في تحسين جودة الرعاية الصحية.