تتقدم لوحات الأورام الجزيئية (Molecular Tumor Boards) بخطى ثابتة للاعتماد على نتائج الجينوم، والسياق السريري، والأدلة العلاجية في دعم العلاج الدقيق للسرطان. ومع دخول الذكاء الاصطناعي (AI) في هذا المجال، برزت تحديات كبيرة لضمان سلامة التوصيات. ففي ضوء هذه التطورات، نُقدم OpenMTB-Audit، وهو معيار مفتوح يضم 500 حالة مصطنعة لسرطان الرئة غير صغير الخلايا، مما يسمح بتقييم فعالية أنظمة الذكاء الاصطناعي.

تشمل هذه الدراسة خمسة فئات خطأ عدائية وأربع علامات أمان: مدعوم، جزئياً مدعوم، غير مدعوم، ومعلومات غير كافية. من خلال تقييم ثماني تكوينات من نموذج اللغة الكبير (LLM)، يتضح أن هناك تزايداً مروعاً في الاعتماد الزائد على الرفض: حيث فشلت جميع التكوينات في الحفاظ على علامة "جزئياً مدعوم" بين 83.3-100% من الحالات الحقيقية، محققةً درجات أمان مرتفعة عبر انهيار العلامات بدلاً من التفكير السرري المدروس.

لمعالجة هذه القيود، تم تطوير MTB-AuditAgent، وهو إطار محدد يتألف من سبع وحدات تفصل بين التحقق من الأدلة، واكتشاف المعلومات المفقودة، وتصنيف الأمان، والامتناع عن التوصيات. أدت هذه المبادرة إلى تقليص حالات الاعتماد الزائد إلى 6.7% وزيادة الدقة إلى 91.2%. وكشفت دراسة تمثيل الأطباء، التي تضمنت طبيبين، عن وجود تباين في الرأي يتمركز عند الحدود بين كفاية المعلومات وتحسين العلاج، مما يعكس الحاجة للحفاظ على تمييز مهم سريرياً.

إن هذه التطورات ليست مجرد إنجازات تقنية، بل هي خطوة نحو تحسين تجربة المرضى وضمان تقديم العلاج الأكثر أماناً وفاعلية.