في عالم الطب، تمثل عملية اتخاذ القرارات العلاجية مرحلة حرجة تتطلب دقة متناهية، حيث يتفاعل الذكاء الاصطناعي (AI) مع العديد من العوامل مثل خصائص المرضى وأدوية العلاج. في هذا الإطار، طرحت دراسة جديدة تسلط الضوء على نظام TxAgent، الذي يعمل على تعزيز قدرة اتخاذ القرار لدى الأطباء من خلال طرق ذكاء اصطناعي متطورة تعتمد على التعلم المستمر.

إحدى أبرز مزايا TxAgent هي اعتماده على نموذج Llama-3.1-8B، الذي يتميز بقدرته على توليد استجابات فورية ومتعددة الخطوات بفضل استخدام استراتيجيات مثل الاسترجاع المدعوم بالتوليد (Retrieval-Augmented Generation) أو RAG. ويمتلك TxAgent القدرة على تنفيذ استدعاءات ديناميكية لأدوات طبية متنوعة، تشمل واجهة برمجة التطبيقات للأدوية من إدارة الغذاء والدواء (FDA Drug API) وموارد OpenTargets وMonarch، مما يضمن توفير معلومات علاجية دقيقة ومحدثة.

ومن المهم أن نشير إلى أن التطبيقات الطبية تتطلب معايير أمان صارمة، مما يعزز أهمية دقة تتبع المنطق الذي يعتمد عليه النظام وكذلك تسلسل استدعاءات الأدوات. ولهذا الغرض، يتم تقييم الأنظمة العلاجية باستخدام بروتوكولات تأخذ بعين الاعتبار جودة الحكمة ودقة استخدام الأدوات.

في منافسة CURE-Bench الخاصة بـ NeurIPS 2025، تم تقديم العديد من التحليلات التي أظهرت كيف يؤثر جودة الاسترجاع لاستدعاءات الأدوات على الأداء العام للنموذج، حيث تم تحقيق تحسينات كبيرة بفضل استراتيجيات الاسترجاع المحسّنة. كما تم تكريم عملنا بجائزة التميز في العلوم المفتوحة.

لمعرفة المزيد عن هذا البحث الرائد، يمكنكم زيارة الموقع الرسمي هنا.