تعتبر أنظمة الإنذار المبكر السريرية المستندة إلى السجلات الصحية الإلكترونية أداة حيوية لتقييم المخاطر لدى المرضى. حيث تُسجل الملاحظات السريرية كمجموعات زمنية طبية غير منتظمة (Irregularly Sampled Medical Time Series - ISMTS)، ويجب أن توفر هذه الأنظمة تقييمات دقيقة للمخاطر وتفسيرات واضحة يمكن للأطباء التحقق منها. ومع تقدم تقنيات الذكاء الاصطناعي، برزت نماذج اللغة الضخمة (Large Language Models - LLMs) كحلول جديدة في هذا المجال.

ومع ذلك، تبين أن هذه النماذج تميل إلى تبسيط المخاطر السريرية إلى توقعات ثنائية مبالغ فيها، مما يعرّض موثوقية التقييم للخطر. وكنتيجة، تزداد مشكلة الانقسام في المخاطر، مما يعوق القدرة على المقارنة الفعالة بين المرضى. لمعالجة هذه التحديات، تم تقديم إطار TRIAGE.

يستند إطار TRIAGE إلى تدريب نماذج اللغة الضخمة لتوليد تفكير جدلي (Dialectical Reasoning) استنادًا إلى النتائج السريرية المتنافسة، حيث يساعد ذلك في استنباط تفسيرات خاصة بالنتائج. هذا الشكل الجدلي من التفكير يخفف من مشكلة الانقسام في المخاطر، ويسمح لهذه النماذج بإنتاج درجات مخاطر مستمرة تستند إلى تفكير سريري واضح.

عند تقييمه على ثلاث معايير من ISMTS، حقق TRIAGE تحسينًا متوسطًا في نسبة المنطقة تحت منحنى الاسترجاع (AUPRC) بلغت 3.3%، كما خفض خطأ المعايرة بنسبة 81% مقارنة بالمعايير الأخرى.

علاوة على ذلك، أظهرت التقييمات أن تفسيراتنا تتجاوز تفسيرات ما بعد الحدث من النماذج السابقة بنسبة 20% في جودة التفكير السريري. يمكنكم الاطلاع على الكود المصدر لهذا الابتكار عبر الرابط التالي: https://github.com/HyeongWon-Jang/TRIAGE. هذا الإطار يعيد تعريف كيفية استخدام الذكاء الاصطناعي في الطب، ويعد بتغيير مستقبل الرعاية الصحية.