تُعتبر التكنولوجيا الحديثة في مجال الرعاية الصحية المحمولة والارتداء عنصراً حيوياً، حيث تسهم في التدخلات السريعة وإدارة الحالات الصحية المزمنة، مما يُعزز جودة الحياة للأفراد. ومع نجاح نماذج اللغات الكبيرة (Large Language Models - LLMs) في تحسين التنبؤات الصحية، فإن معظم الحلول المعتمدة عليها تعتمد على السحابة، مما يثير قضايا كبيرة تتعلق بالخصوصية ويوجد لديها مشكلات في استخدام الذاكرة والكمون.

لذل، هناك اهتمام متزايد بالنماذج الأصغر، والمعروفة باسم نماذج اللغة الصغيرة (Small Language Models - SLMs)، التي تم تصميمها لتعمل بكفاءة محلية على الأجهزة المحمولة وأجهزة القابل للارتداء. لكن، كيف تم تقييم أداء هذه النماذج في المهام الصحية؟

من خلال دراسة شاملة، تم تقييم أداء نماذج SLMs على مهام التنبؤ الصحية باستخدام تقنيات مختلفة مثل الصفر-shot (zero-shot) وfew-shot وتخصيص التعليمات (instruction fine-tuning). وأُجري اختبار على أفضل نماذج SLMs المعدلة على الأجهزة المحمولة لتقييم كفاءتها وأدائها التنبؤي في سيناريوهات الرعاية الصحية العملية.

أظهرت النتائج أن نماذج SLMs قادرة على تحقيق أداء يعادل ما تقدمه نماذج LLMs، لكنها تقدم مكاسب كبيرة في الكفاءة والخصوصية. ومع ذلك، لا تزال هناك تحديات خاصة في التعامل مع توازن الفئات والسيناريوهات القليلة-shot.

تُبرز هذه النتائج أهمية نماذج SLMs، على الرغم من عدم كمالها في شكلها الحالي، كحل واعد لمراقبة الرعاية الصحية في المستقبل، مع توفير الخصوصية المطلوبة.