أصبح الذكاء الاصطناعي في الوقت الراهن جزءاً لا يتجزأ من مجالات متعددة، ومن أبرزها مجال الطب. تستند القيم السريرية إلى مصطلحات قياسية تُستخدم لقياس الجودة، وعند إعداد هذه القيم، قد يواجه الباحثون تحديات عديدة. في دراسة جديدة نشرها فريق من الباحثين، تم تقديم مقاربة مبتكرة تُعرف باسم RASC+، حيث تتميز هذه الطريقة بإعادة هيكلة كيفية استخدام نماذج اللغة الضخمة (LLM) لتحقيق نتائج دقيقة وفعالة.

تشير الدراسات السابقة إلى أن الاعتماد المباشر على نماذج اللغة الضخمة في خلق مجموعات القيم السريرية ليس الحل الأمثل، حيث إن نظم الرموز السريرية معقدة وكبيرة، مما يضع تحديات كبيرة أمام النماذج التقليدية. من هنا، اقترحت الدراسة استعمال نموذج مكون من مرحلتين، حيث تتم الاستفادة من عملية تحسين استرجاع البيانات، تليها مرحلة اختيار المرشحين باستخدام LLM.

تُظهر النتائج أن تحسين استرجاع البيانات باستخدام نموذج يعتمد على Qwen3 مع توسيع واعٍ للمفردات أدى إلى تحسين نسبة استرجاع بيانات المرشحين بشكل كبير من 0.553 إلى 0.730، مما يعكس كيفية إمكانية الذكاء الاصطناعي في إعطاء نتائج أفضل. ومع ذلك، يتطلب الأمر أيضاً تحسين عملية اختيار المرشحين، وهو ما أثبتت الدراسة أنه يمكن تحقيقه عبر استبدال المرحلة الثانية بنموذج GPT-5، الذي أوصل نسبة الدقة إلى 0.549.

تُظهر هذه النتائج المهمة أن الاعتماد على عملية تتضمن استرجاع البيانات المحسّن يمكن أن يحسن بشكل كبير من إكمال مجموعات القيم السريرية، مع الحفاظ على أمان المعلومات واسترجاع البيانات من مصادر قابلة للتدقيق والمراجعة. إن هذه الابتكارات تعكس كيف يمكن للتكنولوجيا الحديثة أن تسهم في تعزيز الدقة في اتخاذ القرارات الطبية، مما ينعكس إيجاباً على مستوى الرعاية الصحية.