مع زيادة الاهتمام بتطبيق الذكاء الاصطناعي في الطب، قدمنا سابقًا إطار HAIM (الذكاء الاصطناعي الشامل في الطب)، وهو إطار يدمج البيانات متعددة الأوضاع لحل المهام السريرية التالية. ومع ذلك، يستخدم HAIM البيانات بطريقة لا تتعلق بالمهمة ويفتقر إلى القابلية للشرح. لمعالجة هذه القيود، نقدم xHAIM (الذكاء الاصطناعي القابل للشرح في الطب)، وهو إطار جديد يستفيد من الذكاء الاصطناعي الإبداعي لتعزيز التنبؤ والقابلية للشرح عبر أربع خطوات منظمة: (1) تحديد بيانات المرضى ذات الصلة بالمهمة تلقائيًا عبر الأوضاع المختلفة، (2) إنشاء ملخصات شاملة للمريض، (3) استخدام هذه الملخصات لتحسين النماذج التنبؤية، و(4) تقديم تفسيرات سريرية ربطًا بين التنبؤات والمعرفة الطبية الخاصة بالمرضى. تم تقييم xHAIM على مجموعة بيانات HAIM-MIMIC-MM، حيث يحسن متوسط دقة المنحنى المستقبلي الحقيقية (AUC) من 79.9% إلى 90.3% في مجالات الأمراض الصدرية والمهام الجراحية. وبشكل مهم، يحول xHAIM الذكاء الاصطناعي من نظام تنبؤ أسود الصندوق إلى نظام دعم قرارات قابل للشرح، مما يمكّن الأطباء من تتبع التنبؤات بشكل تفاعلي حتى الوصول إلى بيانات المرضى ذات الصلة، مما يربط بين تقدمة الذكاء الاصطناعي والاستخدام السريري.

注释：

• "AUC" 翻译为 "دقة المنحنى المستقبلي الحقيقية"，这是在医学领域常用的术语。

• "black-box predictor" 翻译为 "نظام تنبؤ أسود الصندوق"，以保持专业性和可理解性。