استراتيجيات التعلم المحددة تعزز فعالية نماذج الذكاء الاصطناعي في المستشفيات كشفت دراسة جديدة نشرتها جامعة يورك في جاما نتورك أوبن (JAMA Network Open) أن استراتيجيات التعلم المبكر والاستمراري والانتقالية للذكاء الاصطناعي هي المفتاح لمواجهة التحولات في البيانات وتقليل الأضرار المحتملة في المستشفيات. تركز الدراسة على تقييم نظام إنذار مبكر لتنبؤ خطر وفيات المرضى داخل المستشفى وتعزيز فرز المرضى في سبع مستشفيات كبيرة في منطقة تورونتو الكبرى. استخدم الفريق شبكة GEMINI، وهي أكبر شبكة مشاركة بيانات المستشفيات في كندا، لفحص تأثير التحولات في البيانات والتحيزات على التشخيص السريري، والديموغرافيا، والنوع، والعمر، والفئة المستشفية، ومصدر نقل المرضى سواء من مؤسسة رعاية طبية حادة أو دار رعاية مسنين، ووقت القبول. شملت الدراسة 143,049 حالة مريض، بما في ذلك نتائج المختبرات، والنقل، وتقارير التصوير، والميزات الإدارية. تقول الباحثة الرئيسية المساعدة في جامعة يورك، البروفيسورة إلهام دولات آبادي، من كلية السياسة والإدارة الصحية في الجامعة: "مع زيادة استخدام الذكاء الاصطناعي في المستشفيات لتنبؤ أي شيء من الوفيات ومدة الإقامة إلى السepsis وظهور تشخيص الأمراض، هناك حاجة متزايدة للتأكد من أن هذه النماذج تعمل كما هو متوقع ولا تسبب أضرارًا." تضيف أن بناء نماذج تعلم آلي موثوقة وقوية أصبح صعبًا بسبب تغير البيانات عبر الزمن، مما يؤدي إلى عدم موثوقية النظام. يجب أن تعكس البيانات المستخدمة لتدريب نماذج الذكاء الاصطناعي في المستشفيات والمرافق الصحية الأخرى التنوع في المرضى والأمراض والممارسات الطبية، إذ بدون ذلك قد تطور التوقعات غير ذات الصلة أو الضارة وحتى التشخيصات الخاطئة. يمكن أن تسبب الاختلافات في مجموعات المرضى الفرعية، والكوادر الطبية، والموارد، بالإضافة إلى التغييرات غير المتوقعة في السياسات أو السلوك، والممارسات الصحية المختلفة بين المستشفيات أو اندلاع جائحة غير متوقعة، تحولات محتملة في البيانات. توضح الباحثة الأولى فاليجا سوباسري، عالمة الذكاء الاصطناعي في شبكة الرعاية الصحية الجامعية، أن الدراسة كشفت عن تحولات مهمة في البيانات بين مرحلة تدريب النموذج والتطبيقات الحقيقية، بما في ذلك التغيرات في الديموغرافيا، والفئات المستشفية، ومصادر القبول، والفحوصات المخبرية الحرجة. كما وجدوا أن النماذج التي تم تدريبها على زيارات مرضى المستشفيات المجتمعية أدت إلى تحولات ضارة عند نقلها إلى المستشفيات الأكاديمية، ولكن العكس لم يكن صحيحًا. لتجنب هذه التحولات الضارة، استخدم الباحثون استراتيجيات التعلم الانتقالي، والتي تسمح للنموذج بتخزين المعرفة المكتسبة من مجال تعلم واحد وتطبيقها على مجال مختلف ولكنه مرتبط، واستراتيجيات التعلم الاستمراري، حيث يتم تحديث النموذج باستخدام تدفق مستمر من البيانات بشكل تتابعي استجابةً لإنذارات التحول. رغم أن نماذج التعلم الآلي غالبًا ما تبقى مغلقة بمجرد الموافقة عليها للاستخدام، وجد الباحثون أن النماذج الخاصة بنوع المستشفى التي تستفيد من التعلم الانتقالي أداء أفضل من النماذج التي تستخدم جميع المستشفيات المتاحة. ساعد التعلم الاستمراري المستجيب للتحولات في منع التحولات الضارة بسبب جائحة كوفيد-19 وتحسين أداء النموذج عبر الزمن. يمكن أن تتجه النماذج أيضًا نحو بعض التحيزات اعتمادًا على البيانات التي تم تدريبها عليها، مما يؤدي إلى نتائج غير عادلة أو تمييزية لبعض مجموعات المرضى. تظهر الدراسة كيفية الكشف عن هذه التحولات في البيانات، وتقييم ما إذا كانت تؤثر سلبًا على أداء نماذج الذكاء الاصطناعي، وتقترح استراتيجيات للتخفيف من تأثيراتها. تؤكد دولات آبادي أن هناك طريقًا عمليًا من الوعد إلى التطبيق، يربط الفجوة بين إمكانات الذكاء الاصطناعي في الصحة وواقع نشره واستدامته في بيئات سريرية حقيقية. تضيف سوباسري: "تشير هذه النتائج إلى أن نظام مراقبة استباقي ومستقل عن التسميات يدمج التعلم الانتقالي والاستمراري يمكنه اكتشاف وتخفيف التحولات الضارة في بيانات الطب الداخلي العام في تورونتو، مما يضمن نشر الذكاء الاصطناعي السريري بقوة وعدالة." تقييم الحدث من قبل المختصين يعد هذا البحث خطوة حاسمة نحو نشر نماذج الذكاء الاصطناعي السريرية بفعالية وأمان، حيث يوفر استراتيجيات وعمليات لضمان سلامة وفعالية هذه النماذج في البيئات الحقيقية. يسلط الضوء على أهمية التعلم المستمر والانتقال في تحسين أداء النماذج وضمان عدم وجود تحيزات ضارة تجاه مجموعات المرضى المختلفة. نبذة تعريفية عن جامعة يورك تعد جامعة يورك واحدة من الجامعات الرائدة في كندا، وتتميز بأبحاثها المبتكرة في مجالات متعددة، بما في ذلك السياسة والإدارة الصحية. تسعى الجامعة إلى جسر الفجوة بين النظرية والتطبيق من خلال إجراء أبحاث عملية تساهم في تطوير حلول فعالة للمشكلات الصحية والاجتماعية.