حلّت أداة مايكروسوفت الجديدة للذكاء الاصطناعي 85.5% من الحالات الطبية وخفّضت تكاليف التشخيص

شركة التكنولوجيا مایکروسوفت قدمت شركة Microsoft AI Diagnostic Orchestrator (MAI-DxO)، وهو نظام يهدف إلى محاكاة مجموعة افتراضية من المتخصصين الطبيين الذين يستخدمون طرق تشخيص مختلفة ويعملون بشكل تعاوني على الحالات السريرية. 

في تطبيقات الذكاء الاصطناعي التوليدي، يعمل المُنسّق كطبقة تنسيق تُدير عناصر متعددة تُشارك في أداء مهمة مُعقدة. وفي مجال الرعاية الصحية، تُعتبر آليات التنسيق هذه بالغة الأهمية نظرًا للطبيعة الحاسمة للقرارات الطبية. وفي هذه الحالة، يتمركز المُنسّق فوق نماذج لغوية كبيرة، مُنظّمًا عملية التشخيص خطوة بخطوة للمساعدة في تقليل الأخطاء المُحتملة وتحسين الاتساق والشفافية والموثوقية التشغيلية. 

يشير باحثو مايكروسوفت إلى أن تنسيق نماذج متعددة اللغات قد يكون ضروريًا للتعامل مع سير العمل السريري المعقد. قد تتيح هذه الاستراتيجية تكاملًا أفضل لمصادر البيانات المختلفة، وتوفر أمانًا وتكيفًا أكبر في بيئات الرعاية الصحية الديناميكية. كما يدعم التصميم المستقل عن نظام معين إمكانية التدقيق والمتانة. 

تشير نتائج التقييم التي قدمتها Microsoft إلى أن MAI-DxO حسّن الأداء التشخيصي في جميع النماذج التي تم اختبارها، مع تحقيق أعلى دقة - 85.5% - عند دمجه مع OpenAIنموذج o3 الخاص بـ 's على معيار مجلة نيو إنجلاند الطبية (NEJM). وبالمقارنة، سجلت مجموعة من 21 طبيبًا من الولايات المتحدة الأمريكية والمملكة المتحدة، تتراوح خبرة كل منهم بين 5 و20 عامًا، دقة متوسطة بلغت 20% في نفس المهام. 

يمكن تكوين نظام MAI-DxO للعمل في فترة ما قبلdefiمعايير التكلفة المطلوبة، مما يُمكّن من تحليل المفاضلات بين دقة التشخيص وتكاليف الاختبار. تهدف هذه الميزة إلى منع الإفراط في الاختبار غير الفعال مع تحسين النتائج. النتائج من مایکروسوفت تشير الأبحاث إلى أن MAI-DxO يوفر دقة تشخيصية محسنة وتكاليف اختبار مخفضة مقارنة بالأطباء أو نماذج الذكاء الاصطناعي الفردية.

يتجاوز الذكاء الاصطناعي حدود الطبيب التقليدي من خلال الجمع بين الخبرة الواسعة والمتخصصة، مما يوفر دعمًا تشخيصيًا فعالًا من حيث التكلفة

غالبًا ما يُصنف المتخصصون الطبيون بناءً على نطاق خبرتهم أو تركيزها. عادةً ما يُعنى الأطباء العامون، كأطباء الأسرة، بمجموعة واسعة من المشكلات الصحية التي تشمل مختلف الفئات العمرية وأجهزة الجسم. في المقابل، يُركز المتخصصون على مجالات مُحددة، مثل طب الروماتيزم، وغالبًا ما يُخصصون ممارستهم لحالة أو جهاز واحد. 

ومع ذلك، لا يمكن لأي طبيب فردي معالجة شاملة لمجموعة كاملة من الحالات السريرية المعروضة في مجموعات البيانات المعقدة مثل سلسلة حالات NEJM. وبالمقارنة، فإن الذكاء الاصطناعي غير مقيد بهذه القيود. يمكنه دمج المعرفة الواسعة والمتخصصة على حد سواء، وتطبيق التفكير السريري بطرق تتجاوز، في العديد من المجالات، ما قد يحققه خبير بشري واحد. يحمل هذا المستوى من التفكير آثارًا على هيكل تقديم الرعاية الصحية. قد تسهل أنظمة الذكاء الاصطناعي إدارة الرعاية الروتينية بقيادة المريض وتوفر للأطباء أدوات اتخاذ قرار محسنة للحالات الأكثر صعوبة. تشير البيانات أيضًا إلى أن هذه الأنظمة لديها القدرة على خفض نفقات الرعاية الصحية. في الولايات المتحدة، تقترب تكاليف الرعاية الصحية من خُمس الناتج المحلي الإجمالي الوطني، مع نسبة كبيرة - تقدر بحوالي 25٪ - تُعزى إلى عدم الكفاءة أو التدخلات ذات الفائدة السريرية المحدودة. 

من السمات المميزة لهذا البحث تضمينه الاعتبارات الاقتصادية. على الرغم من اختلاف التكاليف الفعلية باختلاف المنطقة ونموذج الرعاية الصحية، وغالبًا ما تشمل متغيرات لاحقة لم تُقاس هنا، فقد طُبقت منهجية موحدة على جميع الوكلاء والأطباء لتقييم المفاضلات بين فعالية التشخيص واستهلاك الموارد. يمثل هذا البحث استكشافًا أوليًا لهذه الديناميكيات. هناك حاجة إلى مزيد من البحث قبل ذلك. أنظمة الذكاء الاصطناعي التوليدية يمكن دمجها بالكامل في الممارسة السريرية. ستكون الاختبارات العملية، والإشراف التنظيمي، والتقييم القائم على الأدلة، أساسية لضمان استيفاء هذه الأدوات لمعايير السلامة والفعالية. وتُبذل جهود تعاونية مع مؤسسات الرعاية الصحية لدعم التقييم الشامل قبل أي نشر محتمل على نطاق واسع.