في عالم الرعاية الصحية، تزداد الحاجة إلى تحسين الكفاءة وتقليل الأخطاء. في هذا السياق، تمثل نماذج اللغات الضخمة (Large Language Models - LLMs) أداة مرنة تدعم احتياجات التوثيق السريري. ومع ذلك، غالباً ما تواجه الأدوات المستقلة صعوبات في التكيّف مع تدفق العمل بسبب البيانات المدخلة يدوياً. لذا، جاءت فكرة تطوير نظام ChatEHR، الذي يتيح استخدام LLMs عبر سجل المريض الزمني الممتد لعدة سنوات.

يتميز ChatEHR بتنفيذ الأتمتة - وهي تركيبات ثابتة من الموجهات والبيانات لأداء مهام محددة - واستخدام تفاعلي من خلال واجهة المستخدم (User Interface - UI) الموجودة في السجلات الصحية الإلكترونية (Electronic Health Records - EHR). هذا النظام يمكن من البحث في السجلات الطبية للمريض لأغراض متعددة، منها مراجعة الوثائق قبل الزيارة، وفحص الأهلية للنقل، ورصد العدوى بعد العمليات الجراحية، واستخراج البيانات.

خلال فترة عام ونصف، تم تطوير 7 أتمتة وتدريب 1075 مستخدماً ليصبحوا مستخدمين منتظمين للواجهة، حيث شاركوا في 23,000 جلسة خلال أول 3 أشهر من الإطلاق. كانت الحيوية على مستوى الأنظمة أمرًا أساسياً لضمان توافق الأنظمة مع أنواع البيانات المختلفة المرتبطة بالمهام السريرية أو الإدارية.

ومع ذلك، أظهرت التقييمات القائمة على المعايير أنها غير كافية لمراقبة الأداء، مما استدعى الحاجة إلى أساليب جديدة. كانت مهمة توليد الملخصات هي الأكثر تكراراً في الواجهة، مع مراعاة وجود حوالي 0.73 هلاوس و1.60 خطأ لكل توليد. وترجع المكاسب الناتجة من تقليل التكاليف وتوفير الوقت وزيادة الإيرادات إلى ضرورة إنشاء إطار تقييم للقيمة.

تشير التقديرات الأولية إلى توفير يصل إلى 6 ملايين دولار في السنة الأولى من الاستخدام، دون احتساب الفوائد الناتجة عن تحسين جودة الرعاية المقدمة. يتيح استخدام استراتيجية "البناء من الداخل" للأنظمة الصحية الحفاظ على السيطرة من خلال منصة LLM خاضعة للإشراف الداخلي دون الاعتماد على الموردين.

ما رأيكم في هذا التطور؟ هل تعتقدون أن استخدام الذكاء الاصطناعي في الرعاية الصحية سيحدث ثورة في طريقة تقديم الخدمات الطبية؟ شاركونا آرائكم في التعليقات.