في عصر الذكاء الاصطناعي (AI)، يواجه الباحثون تحديات عديدة في تطوير نماذج تعلم الآلة (Machine Learning) المتعددة الأنماط في مجالات الرعاية الصحية. يُعتبر التعامل مع الأنماط المفقودة في مجموعات البيانات السريرية من أبرز القضايا التي تحتاج إلى حلول مبتكرة.

بسبب الطبيعة الزمنية والنادرة للبيانات السريرية، ينبغي على الباحثين التقاط الإشارات التنبؤية الكامنة من خلال نماذج تعلم الآلة المتعددة الأنماط مع الحفاظ على درجة عالية من قابلية تفسير النموذج.

تقدم هذه الدراسة معالجة جديدة تعيد صياغة تشخيصات المرضى كمهمة لنمذجة تسلسل التنبؤ التلقائية باستخدام مفككات العرض السببي من النماذج اللغوية الضخمة (Large Language Models).

نقدم أولاً هدف تدريب مسبق مدرك لعدم الوجود يساعد في دمج أنماط متعددة ضمن مجموعات بيانات تحتوي على بيانات مفقودة في فضاء مشترك خفي.

تظهر النتائج أن نمذجة التسلسل التلقائية مع هياكل تعتمد على المحولات (Transformers) تتفوق على الأسس المستخدمة في تقييمات MIMIC-IV وeICU.

ومع ذلك، لا يقتصر الأمر على تحسين الأداء فحسب؛ بل استخدمنا تقنيات التفسير لتجاوز تقنيات الأداء، مع اكتشاف سلوكيات متنوعة في حالات المرضى عند إزالة أنماط معينة، وهو ما يعالجه هدف التدريب المسبق لدينا.

إعادة صياغة تشخيصات المرضى كمهمة لنمذجة التسلسل والسعي لتفسير مسارات إقامة المرضى يساهم أيضًا في تطوير إطار عمل يمكّننا من التعرف على كيفية التعامل مع الأنماط المفقودة، مع مراعاة الأهمية الكبيرة لتقديم ذكاء اصطناعي آمن وشفاف في الرعاية الصحية.