في عالم الرعاية الصحية، يعد تصنيف حالات الطوارئ (Emergency Severity Index - ESI) موضوعًا حيويًا يتعامل معه الأطباء والممارسون بشكل يومي. تواجه أقسام الطوارئ تحديات مستمرة في تقديم تقييمات دقيقة ومتناسبة للحالات، بسبب تباين الوثائق النصية الحرة المستخدمة في عملية التصنيف.

في دراسة جديدة، تم تقييم إمكانية استخدام نماذج لغوية صغيرة (Small Language Models - SLMs) كأدوات موثوقة لدعم القرار في التصنيف السريري، مع التركيز على الخصوصية. حيث تم إجراء مقارنة منهجية بين عدة نماذج SLM عبر مجموعة متنوعة من عمليات التوجيه. أثبتت النتائج أن السيناريوهات السريرية، التي تتضمن ملخصات مختصرة عن سرديات التصنيف، أنتجت أكثر التنبؤات دقة.

النموذج Qwen2.5-7B برز كالأفضل من حيث التوازن بين الدقة والثبات والكفاءة الحسابية، ويظهر أنه من خلال التكيف الكبير مع بيانات تصنيف الأطفال التي تم تنسيقها من قبل خبراء، فإن نماذج Qwen2.5-7B المعدلة قد قللت بشكل كبير من حدوث الأخطاء السريرية المهمة. ولم يقتصر تفوقها على جميع نماذج SLMs الأساسية فحسب، بل تفوقت أيضًا على نماذج اللغات الكبيرة المتقدمة (Large Language Models - LLMs) مثل GPT-4o.

تسلط هذه النتائج الضوء على إمكانية استخدام نماذج SLMs المحددة لمؤسسات معينة كأدوات لدعم اتخاذ القرار بشكل موثوق وآمن، مما يبرز أهمية التعديل الدقيق أكثر من استراتيجيات الاستدلال الأكثر تعقيدًا.