تعتبر معالجة البيانات المتعلقة بالصحة الإلكترونية (EHR) إحدى التحديات الكبرى التي تواجه البحث السريري والذكاء الاصطناعي، حيث تمثل حوالي 39-45% من عبء العمل الذي يواجهه عُلَماء البيانات. هذه المشكلة تتفاقم بشكل خاص في مجال فشل القلب، الذي يؤثر على حوالي 6.7 مليون بالغ في الولايات المتحدة.

تتطلب معالجة البيانات في هذا المجال دمج معلومات EHR المتنوعة مع التفكير السريري القائم على الأدلة والمعايير التوجيهية. بينما تقدم الأساليب الحالية المعتمدة على القواعد أو نماذج اللغات الضخمة (Large Language Models) مستوى محدوداً من الأتمتة، يعاني الكثير منها من ضعف إمكانية الصيانة والقدرة على توثيق الأدلة.

في استجابة لهذه التحديات، تم تطوير نظام Nimblemind Multi-Agent System (nMAS)، وهو نظام متكامل يقوم بتحسين البيانات المتعلقة بفشل القلب من خلال منهجية مرجعية قائمة على الأدلة. تم تقييم النظام باستخدام 500 سجل مرضي وهمي من تسع جداول بيانات EHR، حيث نجح في توليد 132 ميزة منظمة و70 ميزة مجمعة تم تقييمها وفقاً لمعايير دقيقة.

نتائج الاختبارات أظهرت تحسناً ملحوظاً بمعدل الاحتفاظ بالأدلة، حيث زادت نسبة الدقة من 0.895 إلى 0.963 لنوع فشل القلب القلبي الناجم عن ضعف الانقباض (HFrEF) ومن 0.870 إلى 0.910 لنوع فشل القلب القلبي الناجم عن ضعف الانبساط (HFpEF). ومن المثير للاهتمام، أن التقييم المستقل المعتمد على نموذج لغوي كبير أكد جودة الأدلة بطريقة منهجية، محققا نقاطا تصل إلى 81.5% من الإجمالي.

تُعد هذه النتائج دليلاً على قابلية إجراء أتمتة موثوقة وقابلة للتدقيق في هندسة الخصائص المرتبطة ببيانات الصحة الإلكترونية القلبية المعقدة. لكن من المهم ملاحظة أن هذه التقييمات اقتصر تأثيرها على مجموعة واحدة من المؤسستين فقط، مما يدعو إلى الحاجة لمزيد من الدراسات الخارجية لتأكيد النتائج المرجوة.