في عالم الطب الحديث، تظهر تكنولوجيا الذكاء الاصطناعي كمحور رئيسي لتحسين خدمات الرعاية الصحية. أحدث إعلان عن نموذج MACD (تشخيص الأمراض بالاعتماد على العديد من العوامل) ضجة كبيرة في الأوساط الطبية، حيث يعتزم هذا النموذج الاستفادة من نماذج اللغات الضخمة (LLMs) لتعزيز دقة تشخيص الأمراض.

تسعى الطرق التقليدية في تحسين الأداء إلى التركيز على استنتاجات فردية، مما يقلل من التركيز على تراكم الخبرات القابلة لإعادة الاستخدام من الممارسات السريرية. هنا يأتي دور نموذج MACD، الذي يقدم هيكلًا متكاملًا يتيح لنماذج (LLMs) تعلم المعرفة السريرية ذاتيًا من خلال سلسلة من الوكالات المتعددة التي تلخص وتعيد صياغة ورؤية الرؤى التشخيصية.

يهتم النموذج الجديد أيضًا بتفعيل آلية للتعاون بين وكلاء تشخيص شخصيين يعتمدون على (LLMs)، حيث يتم إشراكهم في مشاورات دورية متكررة، مدعومة بعميل تحكيم وإنسان لمراقبة الحالات التي لم يتم التوصل فيها إلى توافق.

وما يثير الإعجاب هو أن مجموعة بيانات MIMIC-MACD التي تم بناؤها تضم 4390 حالة مرضية في العالم الحقيقي عبر سبع أمراض مختلفة. أظهرت النتائج أن MACD يزيد من دقة التشخيص الأساسي بمتوسط تحسين يبلغ 11.6 نقطة مئوية مقارنةً بالمعرفة المعتمدة التقليدية، ويقلل الفجوة بين النماذج المفتوحة ونماذج (LLMs) المتقدمة.

علاوة على ذلك، يُظهر التعاون بين MACD والإشراف البشري زيادة شاملة بلغت 18.3 نقطة مئوية في دقة تشخيص الحالات بالنصوص فقط مقارنةً بالتشخيص الذاتي للأطباء، مما يبرز الطاقة التآزرية للتعاون بين الذكاء الاصطناعي والبشر.

يمثل هذا العمل نهجًا قابلًا للتوسع في التعلم الذاتي، مما يسد الفجوة بين المعرفة الجوهرية لنماذج (LLMs) ومتطلبات الممارسة السريرية في العالم الحقيقي. إننا نسير نحو تحقيق تشخيصات أكثر موثوقية، وقابلة للتفسير، وقابلة للتطبيق في عالم الرعاية الصحية.