في عالم الذكاء الاصطناعي (AI)، شهدت نماذج التصنيف تقدمًا مذهلاً خصوصًا في تصنيف ECG (التخطيط الكهربائي للقلب) الذي يعتمد على 12 led. ومع ذلك، لا يزال تحسين هذه النماذج يعتمد بشكل كبير على الخبراء البشر لفحص الأخطاء وإجراء تعديلات متكررة على التصاميم.

تستعرض الأبحاث الحديثة نموذج RecursiveECG، الذي تم تطويره كإطار عمل يدعمه نموذج لغوي كبير (LLM) يعمل كمنشئ نماذج. هذا النموذج ليس فقط قادراً على تصميم وتحسين مصنفات ECG، بل يعتمد أيضًا على البيانات الحقيقية والأخطاء المحددة لتحليل الأداء.

في هذا الإطار، يتم تحويل معايير ECG المختارة إلى وظائف حتمية مُعاد التحقق منها، مما ينتج قياسات موثوقة تعكس الأداء الفعلي للمعدات. عبر مراجعة الأخطاء والأداء، يتمكن النموذج من تحديد نقاط الضعف وصياغة تعديلات مستهدفة.

ما يميز RecursiveECG هو قدرة النموذج على تنفيذ التعديلات المعتمدة على الأدلة، وبالتالي ضمان أن كل تحديث يتم دعمه ببيانات قوية وقابلة للتكرار. النتائج المثيرة للاهتمام أظهرت أن هذا النموذج يتفوق على نماذج الأساس التقليدية بنسبة تحسين متوسطة تصل إلى 10.0% عبر مجموعة متنوعة من الدراسات.

إن التطورات المستمرة في هذا المجال تعزز آمال الباحثين في تقليل الحاجة إلى التدخل البشري وزيادة دقة وأمان عمليات التصنيف في مجالات الطب الحديث.