في عالم الرعاية الصحية، تعتبر عملية التوافق الدوائي أثناء الانتقالات السريرية من أكثر العمليات حساسية وعرضة للأخطاء. ومع تزايد الاعتماد على نماذج اللغة الكبيرة (Large Language Models) للمساعدة في هذه العملية، يبرز سؤال مهم: كيف يؤثر تنسيق بيانات FHIR على أداء هذه النماذج؟

في دراسة جديدة، تم تقديم مقارنة منهجية بين أربع استراتيجيات لتسلسل بيانات FHIR، وهي: JSON الخام، الجدول markdown، السرد السريري، والخط الزمني الزمني. تم اختبار هذه الاستراتيجيات عبر خمسة نماذج مفتوحة الوزن تشمل Phi-3.5-mini وMistral-7B وBioMistral-7B وLlama-3.1-8B وLlama-3.3-70B، وذلك على أساس 200 مريض صناعي، مما نتج عنه 4000 عملية استنتاج.

أظهرت النتائج أن استراتيجية التسلسل لها تأثير كبير ومهم إحصائيا على أداء النماذج التي تحتوي على ما يصل إلى 8 مليار معلمة، حيث تفوق السرد السريري على JSON الخام بمعدل يصل إلى 19 نقطة F1 لنموذج Mistral-7B. ومع ذلك، يتغير هذا التفوق في النماذج البالغة 70 مليار، حيث حقق JSON الخام أفضل متوسط F1 يبلغ 0.9956.

وفي جميع التجارب، كانت دقة النماذج تتفوق على استدعائها، مما يشير إلى أن الإغفال كان هو النمط السائد للأخطاء، حيث كانت النماذج تفوت غالبا الأدوية النشطة بدلاً من اختلاقها. وأظهرت النماذج الأصغر أنها تتعثر عندما يتعلق الأمر بإدارة حوالي 7-10 أدوية نشطة، مما يترك مرضى تعدد الأدوية، الأكثر عرضة لأخطاء التوافق، بدون دعم كافٍ.

أظهرت نتائج BioMistral-7B، نموذج تم تدريبه مسبقاً في مجال معين بدون ضبط التعليمات، أنه لا ينتج أي مخرجات قابلة للاستخدام في جميع الشروط، مما يؤكد أن التدريب المسبق وحده غير كافٍ للاستخراج المنظم.

بصفة عامة، تقدم هذه النتائج توصيات عملية تعتمد على الأدلة لتنسيق نشر النماذج الكبيرة في البيئة السريرية: السرد السريري للنماذج التي تصل إلى 8 مليار، وJSON الخام للنماذج التي تساوي 70 مليار وما فوق.

يمكن إعادة إنتاج هذه التجربة باستخدام أدوات مفتوحة المصدر على أدوات AWS g6e.xlarge، مع معالج NVIDIA L40S و48 جيجابايت من الذاكرة.

كيف ترى تأثير تنسيق بيانات FHIR على مجالات الرعاية الصحية وتحسين التوافق الدوائي؟ شاركونا آراءكم وتعليقاتكم!