مع تطور نماذج اللغات الضخمة (Large Language Models) إلى أنظمة ذكاء صناعي تدير رحلات رعاية صحية طويلة الأمد، تواجه هذه الأنظمة تحدياً رئيسياً فيما يتعلق بهياكل الذاكرة الخاصة بها. يكمن هذا التحدي في ضرورة مواجهة مصدرين غير متطابقين للمعلومات؛ حيث إن الشهادات المتغيرة التي يقدمها المرضى تكون حديثة ولكن قد تتعرض لما يعرف بتحيز الاسترجاع، بينما السجلات الصحية الإلكترونية (Electronic Health Record - EHR) مُعتمدة طبياً ولكن غالبًا ما تكون قديمة.

تعمل الأنظمة الشائعة للذاكرة على تحسين تماسك المعلومات من خلال تحديث البيانات القديمة بمعلومات جديدة من المستخدم، الأمر الذي يؤدي إلى مخاطر في السلامة عند التطبيق على البيانات السريرية. لهذا السبب، تم تقديم هيكل ذاكرة ثنائي يسمح بالفصل الدقيق بين روايات المرضى والسجلات السريرية المهيكلة (FHIR).

يتم إدارتها بواسطة محرك مصالحة مخصص يقوم بتقييم كل ذاكرة مستخرجة مقابل ملف مريض (FHIR) ويصنف الفجوات بحسب النوع والشدة والموارد المعنية. تم تقييم هذه العمارة الجديدة على 26 مريضًا عبر 675 جلسة رعاية صحية طويلة الأمد، باستخدام مجموعة بيانات مختلطة تتداخل فيها نصوص حقيقية بين مقدم الخدمة والمريض مع سيناريوهات سريرية مبنية على FHIR.

أظهرت النتائج أن المحرك قادر على اكتشاف 84.4% من الفجوات السريرية المُصممة مع دقة 86.7% للمعلومات الحيوية. من خلال دمج extraction وevaluation لمصادر البيانات، تم تحديد نسبة الخطأ البالغة 13.6%، مما يشير إلى أن الفقد في التفاصيل السريرية كان ناجماً عن استخراج الذاكرة من المحادثات غير المنظمة بدلاً من أخطاء التصنيف.

توصلت هذه الدراسة إلى أن التحقق من المعلومات المسترجعة من المرضى مقابل السجلات السريرية هو خطوة ضرورية وقابلة للتطبيق بشكل آمن عند استخدام وكلاء الصحة البعيدة. تُعتبر هذه الابتكارات ضرورية لضمان تقديم رعاية صحية أكثر أمانًا وفعالية بالاعتماد على الذكاء الاصطناعي.