في عالم الذكاء الاصطناعي، تظهر نماذج اللغات الضخمة (Large Language Models) كأدوات قوية في مجال التنبؤ السريري، لكنها غالباً ما تواجه تحديات عند التعامل مع مهام متخصصة تتطلب معرفة معينة. ولكن، ماذا لو استطعنا تحسين هذه النماذج لتصبح أكثر فعالية في التنبؤ بحالات مثل الهلوسة في وحدات العناية المركزة؟

قدم باحثون من خلال ورقة بحثية حديثة إطاراً مبتكراً لإدخال المعرفة، والذي يتيح نماذج الذكاء الاصطناعي القدرة على التكيف دون الحاجة إلى إعادة تدريبها. هذا الإطار يعتمد على دمج ملخصات طبية من سجلات الصحة الإلكترونية مع تقارير معرفية خارجية خلال مرحلة الاستدلال. وهذه الطريقة تساهم في تعزيز فهم النموذج للسياق السريري، مما يترتب عليه تحسينات ملحوظة في دقة التنبؤ.

تم اختبار الإطار الجديد على نموذجين رئيسيين، وهما LLaMA 3.1 8B وLLaMA 3.3 70B، باستخدام بيانات من 3160 حالة دخول إلى وحدة العناية المركزة من مجموعة بيانات MIMIC IV. وكانت النتائج مثيرة للاهتمام؛ إذ أظهرت أن إضافة تقرير معرفي خارجي محسن أداء النموذج 8B بمقدار 8.57 نقطة مئوية، و1.99 نقطة مئوية للنموذج 70B، مقارنة بعدم استخدام معرفة خارجية.

عند مقارنة الأداء بالنموذج الرائد GPT-5.2، تقلص الفجوة من 15.66 إلى 7.09 نقطة مئوية للنموذج 8B ومن 5.30 إلى 3.31 نقطة مئوية للنموذج 70B. وما هو مهم هو أن تقارير التحكم العشوائية لم تُظهر أي تحسن في الأداء، مما يدل على أن النجاح يعتمد على محتوى معرفي ذو قيمة وليس مجرد زيادة في طول المدخلات.

تؤكد النتائج أن إدخال المعرفة خلال الاستدلال يمكنه تقليص الفجوة بين النماذج القابلة للنشر محلياً والنماذج الرائدة، مع الحفاظ على انسيابية العمل وحماية الخصوصية في بيئات الرعاية الصحية ذات الموارد المحدودة. هذه الابتكارات تشكل خطوة كبيرة نحو تحسين رعاية المرضى عن طريق الاستفادة القصوى من تقنيات الذكاء الاصطناعي في مجموعة متنوعة من السيناريوهات السريرية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!