تعتبر السجلات الصحية الإلكترونية (Electronic Health Records) مصدرًا غنيًا للمعلومات في مجال الرعاية الصحية، ولكن التحديات المرتبطة بتوقع المخاطر السريرية من هذه البيانات هي مسألة مثيرة للجدل. حيث تعاني نماذج التنبؤ التقليدية من صعوبة كبيرة نتيجة لدرجة التعقيد العالية والاختلافات في البيانات وعدم توازن الفئات. في هذا السياق، تقدم الدراسة الجديدة استراتيجية مبتكرة لتعزيز دقة التنبؤات السريرية من خلال استغلال نماذج التعلم الآلي المتقدمة.

أظهرت الأبحاث أن طرق التعلم المتعلق بالجداول (Tabular In-Context Learning) ونماذج استرجاع المعلومات تكافح في البيئات السريرية، مما ضاعف من تعقيد الأمور. لذلك، تم إجراء تقييم شامل يقارن بين النماذج التقليدية والعميقة ونماذج TICL عبر مجموعات بيانات متنوعة.

تعرض الدراسة أداة جديدة تسمى AWARE، والتي تعمل كإطار عمل جائع لمعالجة استرجاع البيانات باستخدام تقنيات التعلم بالإشراف. حيث تصل تحسينات دقة التنبؤ إلى 12.2% في ظروف عدم التوازن الحادة، مما يجعلها أداة قوية في أيدي المختصين.

تشير النتائج إلى أن جودة الاسترجاع والتوافق بين الاسترجاع والاستنتاج هما العنصران الرئيسيان اللذان يعيقان تطبيق التعلم القائم على الجداول في مجال التنبؤ السريري. وبالتالي، يمهد هذا البحث الطريق لتوسيع استخدام تقنيات الذكاء الاصطناعي في تحسين النتائج الصحية.