في عالم الرعاية الصحية، تعتبر المعلومات السريرية المتنوعة، مثل تاريخ المريض والنتائج الحيوية، أساسًا لاتخاذ القرارات الحكيمة في أقسام الطوارئ. ومع ذلك، قد تظهر التحديات عند استخدام نماذج الرؤية واللغة (Vision-Language Models) لتجميع هذه المعلومات، مما يؤدي إلى ظهور ما يسمى بـ "سراب تخطيط القلب الكهربائي" (ECG Mirage).

تحدد الدراسة الحديثة كيف يمكن أن تتسبب نماذج الرؤية واللغة في إغفال أو سوء استخدام معلومات تخطيط القلب الكهربائي (ECGs) المهمة. هناك نوعان من هذه الظاهرة: أولاً، "إهمال تخطيط القلب الكهربائي" حيث لا توفر ECGs فائدة تنبؤية كبيرة، وثانيًا، "الارتباك في تخطيط القلب الكهربائي" حيث تفوق ECGs المتطابقة الأداء عند مقارنتها بإدخالات بلا صور لكنها لا تتغلب على ECGs غير المتطابقة.

للتحقق من هذه الظواهر، أجريت مقارنات بين التنبؤات التي تم الحصول عليها باستخدام ECGs المتطابقة، وتلك غير المتطابقة، بالإضافة إلى مدخلات بلا صور، مع الحفاظ على ثبات النص السريري وأهداف التنبؤ. أظهرت النتائج أن النماذج الأربعة لم تقدم ميزة ثابتة عند استخدام ECGs المتطابقة للتنبؤ بقبول وحدة العناية المركزة أو التدهور السريري.

لمواجهة هذه التحديات، قامت الدراسة بتدريب أربعة نماذج باستخدام التعلم تحت الإشراف، تلاها تحسين التفضيلات مباشرة، مما أدى إلى تكوين نموذج قادر على تحقيق دقة متوازنة تبلغ 70.6% لقبول وحدة العناية المركزة و67.5% للتدهور، مع زيادة الفجوة في الأداء بين المتطابق وغير المتطابق بحوالي 16.5 و5.5 نقطة مئوية على التوالي.

بشكل عام، يكشف هذا البحث عن ظاهرة "سراب تخطيط القلب الكهربائي" في التنبؤات السريرية متعددة البيانات ويقدم استراتيجيات جديدة مثل تحسين التحفيز البصري كوسيلة فعالة للتخفيف من هذه الظاهرة.