في عالم الذكاء الاصطناعي، تبرز تقنية Graph Retrieval Augmented Generation (GraphRAG) كنموذج ثوري لدعم الاستدلال المنظم على بيانات معقدة. ومع أن هذه التقنية تُظهر آمالاً كبيرة، إلا أن أدائها تحت ضغوط الموارد والمحافظة على الخصوصية يحتاج إلى البحث. في المجال الصحي، حيث تُعالج البيانات الصحية الإلكترونية (Electronic Health Record - EHR) بدقة وتنظيم عالٍ، يبقى الاعتماد على نماذج اللغات الضخمة (Large Language Models - LLMs) السحابية مصدراً لتحديات في التكاليف، والوقت، والامتثال.

تقدم هذه الدراسة تقييماً منهجياً لتقنية GraphRAG لاسترجاع بيانات أنظمة السجلات الصحية الإلكترونية باستخدام نماذج لغوية مفتوحة المصدر مُركّبة محلياً. تم تطبيق خط أنابيب GraphRAG من قبل ميكروسوفت على توثيقات أنظمة السجلات الصحية الحقيقية، مع تقييم أربعة نماذج، منها Llama 3.1 (8B)، Mistral (7B)، Qwen 2.5 (7B)، وPhi-4-mini (3.8B)، مُركَّبة عبر Ollama على وحدة معالجة الرسوميات (GPU) المنزلي (8GB VRAM).

تم تقييم كفاءة الفهرسة، وبناء رسم المعرفة، وزمن استجابة الاستعلام، وجودة الإجابة، وحدوث الأخطاء عبر كل من وضعيات الاسترجاع العالمية والمحلية. أظهرت النتائج فروقاً كبيرة: حيث أنتج نموذج Llama 3.1 أغنى رسم معرفة يحتوي على 1,172 كياناً، في حين حقق Qwen 2.5 أفضل جودة للإجابة بمعدل 3.3/5، وعجز Phi-4-mini عن استكمال الخط بسبب أخطاء في المخرجات الهيكلية، وأظهر Mistral سلوك تكرار غير مرضي.

كما تم إظهار أن GraphRAG يمتلك عتبة قدرة عملية، حيث أن النماذج الأقل من حوالي 7B من المعلمات تعاني من عدم القدرة على إنتاج مخرجات هيكلية صحيحة ولا يمكنها إكمال الخط. وعلاوة على ذلك، كانت كفاءة الفهرسة وجودة الإجابات مفصولة عبر النماذج، مع أداء محلي متفوق على التلخيص العالمي في كلاً من زمن الاستجابة والتأسيس الواقعي، مما يقلل من حدوث الأخطاء. تكشف هذه النتائج أن استخدام GraphRAG على الأجهزة المنزلية يعد ممكنًا، مع تسليط الضوء على أهمية اختيار النماذج وتصميم الاسترجاع لضمان التشغيل القوي في البيئات المنظمة.