في عالم الرعاية الصحية، يُعتبر التنبؤ بالنجاة (Survival Prediction) أحد الأدوات الحاسمة التي تمكن الأطباء والباحثين من تنفيذ تدخلات مبكرة وتحسين إدارة المرضى. يُعرف التنبؤ الدقيق بأنه ركيزة أساسية تتيح فهم المخاطر المرتبطة بكل مريض. ومع ذلك، فإن معظم النماذج العميقة الحالية تقوم بتعلم تمثيل ميزات مشتركة لجميع المرضى، مما قد يخفي الفروق الحيوية بين المجموعات الفرعية.

للتغلب على هذه القيود، تم تقديم إطار عمل Mixture-of-Experts (MoE) الذي يسمح لأجزاء مختلفة من النموذج بالتركيز على أنماط مرضى متنوعة. وهذا يؤدي إلى تمثيلات أكثر تخصيصًا وفردية. في هذا الإطار، تم اقتراح إطار عمل متقدم لعمل تجميع التنجيم القائم على الخلط (AdaCSM)؛ الذي يعد بتقديم أنماط نجاة هيتوجينية أفضل.

تعتمد آلية الخبراء القائمة على التوجيه (Routing-based Expert Mechanism) على تمكين الاختصاص المشروط داخل إطار عمل نمذجة النجاة البارامترية. كما يتم تخصيص المرضى لمؤشرات المخاطر المتخصصة بشكل ديناميكي، في حين يتم الحفاظ على أهداف النجاة وتجميع الأنواع الفرعية للمرضى.

تمت مقارنة هذه الطريقة مع نماذج التنجيم العميقة الحالية في عدة مجموعات سريرية حقيقية تمتد عبر مجالات مرضية متنوعة. وقد أظهرت النتائج تحسنًا ملحوظًا في الأداء التنبؤي، مما يعزز من قابلية نتائج التحليل للشرح والتفسير.

تُظهر هذه الابتكارات كيفية استخدام الذكاء الاصطناعي لتحسين رعاية المرضى من خلال توفير أدوات قادرة على فهم الفروق الدقيقة بين أنماط المرضى المختلفة، مما يفتح آفاقًا جديدة لتحقيق رعاية طبية مخصصة وذرقة فعّالة.