في ظل تقدم نماذج اللغة الضخمة (Large Language Models) وتطبيقاتها المتزايدة في مجال الطب، لا تزال هذه النماذج تواجه قيودًا تتعلق بالاعتمادية والسلامة. ومع وجود تقييمات تقيس المعرفة الطبية على شكل حقائق فقط، أو تقيّم التفكير بمستوى المريض دون التأكد من دقته، فإن هناك فجوة ملحوظة تحتاج إلى معالجة.

هنا تأتي مبادرة MediEval، التي تمثل معيارًا متكاملًا يربط بين سجلات الصحة الإلكترونية (Electronic Health Records) من قاعدة بيانات MIMIC-IV وبين قاعدة معرفة موحدة مبنية من معجم UMLS والمصطلحات البيوميديكالية الأخرى.

تستطيع MediEval إنتاج مجموعة متنوعة من العبارات الطبية الصحيحة والمفترضة في سياقات مرضى حقيقية، مما يمكّن من تقييمها بشكل منهجي ضمن إطار عمل رباعي الأبعاد يأخذ بعين الاعتبار كل من ربط المعرفة مع السياق.

عبر استخدام هذا الإطار، تمكنا من تحديد أنماط الفشل الحرجة، والتي تشمل الدعم المتوهم وعكس الحقيقة، وهي مشكلات تتكرر في نماذج اللغة الضخمة الخاصة، والمفتوحة المصدر، والموجهة لمختلف المجالات.

لمعالجة هذه المخاطر، اقترحنا تقنية جديدة تسمى "التدريب المدرك للمخاطر المفترضة" (CoRFu)، وهي طريقة تعتمد على دقة المعلومات (DPO) مع جزاء غير متساوٍ يستهدف الجلطات غير الآمنة.

أظهرت النتائج أن CoRFu تحسن بمقدار 16.4 نقطة في معايير الدقة، مما أدى إلى القضاء على أخطاء عكس الحقيقة، مسجلة بذلك دقة أعلى وأمان أكبر. هذه المبادرة تعد خطوة مهمة نحو تحسين استخدام الذكاء الاصطناعي في القطاع الصحي، وفتح آفاق جديدة للرعاية الطبية المدعومة بالبيانات.