شهدت تقنيات الذكاء الاصطناعي المستخدمة في المجال الطبي تقدمًا ملحوظًا بفضل التركيز على تحسين دقة التشخيص من خلال تحليل البيانات الطبية. ومع ذلك، فإن هذه التقنيات لم تحقق الانتشار الواسع في الأوساط السريرية كما كان متوقعًا، وذلك يرجع في جزء منه إلى التركيز غير الكافي على الأداء العادل عبر شتى الفئات السكانية وتكامل سير العمل.

تؤكد الأبحاث أن الاختلافات في الأداء قد تخلق حواجز تنظيمية وتؤدي إلى تدهور جودة التعاون بين الأنسان والآلة، مما يقلل من استعداد الأطباء لتبني أدوات الذكاء الاصطناعي. الدراسات السابقة التي تناولت تكامل سير العمل وموضوع العدالة في الذكاء الاصطناعي، مثل "تعلم الاستجابة (Learning to Defer)" و"تعلم الإكمال (Learning to Complement)", كانت غالبًا ما تفحص هذه التحديات بشكل مستقل، مغفلةً الترابط الطبيعي بينها والقيود العملية الموجودة في البيئات السريرية، مثل توافر الأطباء.

إدراكاً لهذه التحديات، تم اقتراح نظام تحليل الصور الطبية الموجه نحو البشر (PecMan)، وهو إطار عمل إنساني-آلي يُحسن بشكل مشترك بين العدالة ودقة التشخيص وفعالية سير العمل. يعتمد هذا النظام على آلية ديناميكية لتوزيع الحالات الطبية على الذكاء الاصطناعي أو الأطباء أو كليهما، مع مراعاة قيود عبء العمل على الأطباء.

كما تم تقديم معيار العدالة والذكاء الاصطناعي الموجه نحو الإنسان (FairHAI) لتقييم التوازن بين الدقة والعدالة وعبء العمل للأطباء. أظهرت التجارب التي أُجريت باستخدام هذا المعيار أن نظام PecMan يتفوق باستمرار على الطرق الموجودة، مما يمهد الطريق لأنظمة ذكاء اصطناعي أكثر موثوقية وقابلة للتطبيق في العيادات. ومن المتوقع أن يكون الكود متاحًا بعد قبول الورقة البحثية.

إن تحسين أداء الذكاء الاصطناعي في المجال الطبي هو خطوة نحو تحقيق رعاية أفضل للمرضى وتعزيز التعاون المثمر بين الأطباء والتقنيات الحديثة. يجسد هذا التطور المثير تحولًا هامًا نحو أنظمة ذكاء اصطناعي أكثر إنصافًا وفعالية في تحسين النتائج الصحية.