تشكل الكشف المبكر عن مرض قصور الكلى المزمن (CKD) خطوة حيوية للتدخل الفوري، ومع ذلك فإن معظم تقنيات التعلم الآلي (Machine Learning) والتعلم العميق (Deep Learning) تعتمد على بيانات مصنفة وتدريب النماذج، مما يحد من استخدامها في ممارسات الفرز الواقعية. في دراسة جديدة مُثيرة، تم تقييم فعالية نماذج اللغات الضخمة (Large Language Models) لفرز مرض قصور الكلى المزمن تحت ظروف التعلم بدون أمثلة (zero-shot) ومع عدد قليل من الأمثلة (few-shot) ومقارنتها بأساليب التعلم الآلي والتعلم العميق التقليدية.

يقوم هذا البحث بتقديم إطار عمل يستخدم ميزات جدولية مختارة سريرياً وقوالب موجهة منظمة لتمكين استنتاج يعتمد على نماذج اللغات الضخمة دون الحاجة لتدريب محدد للمهام. وقد تم تقييم أداء نماذج اللغات الضخمة عبر أنماط مختلفة من الإرشادات، وتكوينات الميزات، وإعدادات البيانات، حيث تم مقارنته بمعايير التعلم الآلي والتعلم العميق وأدوات فرز CKD الحالية.

أظهرت النتائج أن نماذج اللغات الضخمة تستطيع تحقيق أداء تنافسي باستخدام عدد قليل من الأمثلة، وغالبًا ما تتماشى أو تتفوق على الأساليب التقليدية في بيئات تدني البيانات. إلا أن أدائها يعتمد على النموذج ويكون أقل استقرارًا مع زيادة تعقيد المدخلات. في المقابل، أظهرت نماذج التعلم الآلي والتعلم العميق تحسنًا أكثر اتساقًا مع زيادة حجم بيانات التدريب.

ختامًا، تسلط النتائج الضوء على التبادل بين فعالية البيانات واستقرار الأداء، مما يشير إلى أن نماذج اللغات الضخمة قد تكون نهجًا مرنًا مكملًا لفرز مرض قصور الكلى المزمن حينما تكون البيانات المصنفة محدودة. هل تعتقد أن هذه النماذج ستحدث ثورة في الطب الحديث؟ شاركونا آراءكم في التعليقات!