تسعى الأنظمة الصحية الحديثة إلى الاستفادة من تقدم تقنيات الذكاء الاصطناعي، وخاصة نماذج اللغة الكبيرة (Large Language Models - LLMs)، لتحقيق تنبؤات سريرية دقيقة. في دراسة جديدة، تم تحليل كيف يمكن لنموذج مكون من وكلاء متخصصين في الأدوار (Mixture-of-Agents - MoA) أن يحدث ثورة في هذا المجال.

تزايد الاعتماد على نماذج اللغة الكبيرة في توقعات مثل الوفاة داخل المستشفيات وإعادة دخول المرضى من السجلات الصحية الإلكترونية (Electronic Health Records - EHRs) يبين مدى ضرورة تطوير أنظمة يمكن نشرها محلياً، وهذا ما عزز الاهتمام بتصاميم الوكلاء متعددة الأدوار ذات الأوزان المفتوحة.

ومع ذلك، فإن العديد من الأنظمة الطبية التي تتكون من عدة وكلاء عادة ما يتم تقييمها ككتلة واحدة، مما يجعل من غير الواضح بماذا تسهم كل دور في التنبؤ وما إذا كانت استرجاعات المعلومات تعزز النتائج المرصودة. في هذه الدراسة، تم دراسة MoA المتخصصة الذي يجمع بين استرجاع المعرفة الطبية والتفكير المقارن للمرضى المماثلين.

من خلال تعديل تصميم الأدوار مع الحفاظ على إعداد الاسترجاع ثابتًا، قام الباحثون بتحديد التأثير الرئيسي في المتكامل النهائي. حيث أن دمج المحللين مفتوحي الوزن مع متكامل صغير مفتوح الوزن ساهم في الحصول على نتائج مشابهة لنماذج مغلقة من حيث دقة التنبؤ بالوفاة، ولكن مع رفع عدد أكبر بكثير من المرضى المعرضين للخطر العالي.

يعرض تحليل الآليات كيف أن تعيين الأدوار يساهم مباشرةً في تحقيق نقطة تشغيل ذات استرجاع مرتفع دون الحاجة لضبط عتبات التنبؤ. تختلف هذه التأثيرات بحسب المهام، حيث تكون المكاسب أصغر في حالة إعادة الدخول، نظراً لأن السجلات المتاحة ترتبط بشكل ضعيف مع هذه النتيجة على المدى الأطول.

تؤكد هذه النتائج على أهمية تصميم الأدوار كعامل أساسي في التنبؤ السريري القائم على نماذج اللغة الكبيرة المفتوحة في ظل قيود الخصوصية وبدون الحاجة إلى تدريب متواصل.