تطوير نماذج لغوية سريرية قابلة للتدقيق: تحسين صنعي قائم على المفاهيم للتنبؤ الدقيق

في عالم الرعاية الصحية، يعد التنبؤ الدقيق بمصير المرضى أمرًا حيويًا. ومع ذلك، تُظهر نماذج اللغة السريرية (Clinical Language Models) أداءً ممتازًا في المستشفيات، لكنها غالبًا ما تفشل عند تطبيقها في ظروف مختلفة بسبب تأثرها بالعوامل المحددة مثل القوالب والفواصل والمحتوى الثابت، وهو ما لا يعكس الحالة الحقيقية للمرضى. لذلك، تم اقتراح نموذج جديد باسم CAST (توجيه تقليل الأرشيفات المعتمد على المفاهيم) كإطار عمل لتحسين تصنيف النصوص السريرية بطريقة يمكن تدقيقها.

يتبنى نموذج CAST تقنية Sparse Autoencoders للكشف عن ميزات إنسانية واضحة يمكن تدقيقها من تفاعلات نموذج Transformer. يُعزى هذا النموذج المعقد إلى مفاهيم سريرية مستندة إلى قواعد بيانات ICD-10، ويعمل على تقليل الآثار السلبية للأرشيفات عن طريق طرح المكونات المضللة خلال عملية التحسين.

عند تطبيق CAST على بيانات MIMIC-IV الخاصة بالتنبؤ بالوفيات بعد الخروج من المستشفى، أظهر تحسينًا ملحوظًا مقارنة بأسس النموذج المحسن الأخرى، ونجح في الحفاظ على تنافسية عالية مع نماذج اللغة الكبيرة (Large Language Models) القوية. كما يوفر نموذج CAST مسار تدقيق على مستوى المميزات للمفاهيم السريرية التي تدعم كل تنبؤ، بالإضافة إلى المكونات الأرشيفية التي تمت إزالتها أثناء التدريب.

يمثل هذا التطور خطوة هامة نحو نماذج يمكن الوثوق بها وطبيعية لأخذ القرارات السريرية، مما يفتح المجال لتحسين جودة الرعاية الصحية ويضمن نتائج أفضل للمرضى. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.