مع تزايد استخدام نماذج اللغات الضخمة (Large Language Models) في مجال الرعاية الصحية، شهدت أدوات دعم اتخاذ القرار السريري تقدماً سريعاً. تقوم السجلات الصحية الإلكترونية (EHR) بتوفير أدلة زمنية حاسمة لتشخيص المرضى وتحليل حالتهم الصحية. ولكن، تعاني مجموعة نماذج اللغات الحالية من عيوب كبيرة في تحليل السجلات الصحية الزمنية.

تتمثل هذه العيوب في عدم القدرة على إجراء استنتاج إحصائي دقيق، مما يؤدي إلى ظهور أفكار خاطئة حول الاتجاهات والقياسات السريرية عندما تكون الأدلة الكمية ممثلة نصياً، وبالتالي فإنها تؤثر سلبًا على استنتاجات التشخيص. كما أن السلاسل الزمنية غير الموحدة ونقص العلامات في السجلات الصحية تحد من قدرة هذه النماذج على التقاط الاعتماد الزمني على المدى الطويل، مما يقلل من موثوقية الاستنتاجات السريرية.

للإجابة على هذه التحديات، تم تقديم نموذج COTCAgent - الوكيل المبني على سلسلة التفكير الاحتمالية. يتكون هذا الإطار من ثلاثة مكونات أساسية:

1. **محول الإحصائيات الزمنية (TSA)**: يقوم بتحويل الخطط التحليلية إلى كود قابل للتنفيذ لتقديم تقارير قياسية عن الاتجاهات.
2. **طبقة إكمال سلسلة التفكير (COTC)**: تستفيد من قاعدة بيانات المعارف حول الأعراض والاتجاهات والأمراض لتقييم مخاطر الأمراض.
3. **وحدة الإكمال المحدودة**: تقوم بجمع الأدلة بطريقة منظمة من خلال استفسارات قياسية وقيود على التسجيل لضمان استنتاج صارم.

هذا الإطار يفصل بين الحسابات الإحصائية، وتطابق الميزات، وإنتاج اللغة، مما يقضي على الاعتماد على المدخلات المعقدة متعددة الوسائط ويتيح تحليل السجلات الطويلة بكفاءة مع تقليل الحمل الحاسوبي.

أظهرت النتائج التجريبية أن COTCAgent المدعوم من Baichuan-M2 يحقق دقة تصل إلى 90.47% على مجموعة البيانات المخصصة، و70.41% على HealthBench، متفوقاً بذلك على الوكلاء الطبيين الحاليين ونماذج اللغات الضخمة السائدة. يمكنكم الاطلاع على الشيفرة المصدرية للمشروع في [GitHub](https://github.com/FrankDengAI/COTCAgent/). ما رأيكم في هذا التطور المذهل في الرعاية الصحية؟ شاركونا في التعليقات.