الذكاء الاصطناعي قادر على تحويل الرعاية الصحية إذا أعدنا بناء معمارية البيانات

• أصبحت قدرة الذكاء الاصطناعي على تحسين نتائج المرضى وتجاربهم حقيقة ملموسة، لكنها لا تزال مقيّدة بأنظمة بيانات قديمة.
• ولكي يحقق قطاع الرعاية الصحية قفزة نوعية، لا بد من تجاوز المعماريات المجزأة والوظيفية الضيقة نحو بنى قادرة على استيعاب البيانات متعددة الأنماط في الزمن الحقيقي، بما يدعم الاستدلال واتخاذ القرار والتنفيذ الذاتي.
• ومن خلال هذا التحول في معمارية بيانات الرعاية الصحية، تستطيع الدول ذات السيادة تقديم خدمات صحية أفضل لمواطنيها عبر توليد رؤى واكتشافات غير مسبوقة، وتمكين منظومة صحية مدعومة بذكاء اصطناعي يتعلم ذاتيا.

انتقل استخدام الذكاء الاصطناعي في الرعاية الصحية خلال سنوات قليلة من كونه فكرة نظرية إلى كونه قوة تحويلية حقيقية. واليوم، يساهم الذكاء الاصطناعي في إعادة تصور مختلف جوانب الرعاية الصحية، من تخفيف الأعباء الإدارية إلى تحسين التشخيص ونتائج المرضى.

في سنغافورة، على سبيل المثال، يعتمد نظام التوثيق التوليدي Note Buddy على تفريغ وتلخيص زيارات المرضى وتحويلها إلى ملاحظات سريرية بأربع لغات في الوقت نفسه. وفي الولايات المتحدة، طوّر باحثون أداة ذكاء اصطناعي تُدعى StateViewer تساعد الأطباء على تحديد أنماط نشاط الدماغ المرتبطة بتسعة أنواع من الخرف بسرعة ودقة أعلى باستخدام فحص واحد متاح على نطاق واسع. وفي كندا، أسهمت أدوات تنبؤية مثل CHARTWatch في مستشفى جامعة تورونتو في خفض الوفيات غير المتوقعة بنسبة 26 بالمئة في أقسام الطب الباطني.

تُبرز هذه الأمثلة، وغيرها كثير، القوة الكبيرة للذكاء الاصطناعي في تحسين صحة الإنسان، وهو ما يدفع الكثيرين إلى الاعتقاد بأن التحول الشامل للرعاية الصحية عبر الذكاء الاصطناعي أمر لا مفر منه. غير أن هذا التحول يصطدم بعقبة رئيسية تتمثل في الإرث المعقد لتاريخ البيانات الصحية، الممتد عبر عقود من الأنظمة المتباينة والصيغ غير المتوافقة والسجلات المعزولة والبنى التحتية القديمة. فالهياكل المتقادمة تحد من الابتكار، وتحصر الذكاء الاصطناعي في أدوات ضيقة ومهام محددة، بدلا من تمكين حلول قادرة على الاستدلال والتعلم والعمل بالاعتماد على طيف كامل من البيانات الصحية متعددة الأنماط. إن التقدم نحو رعاية صحية أفضل وأكثر تخصيصا وإتاحة يتطلب إعادة تصور جريئة لمعمارية البيانات الأساسية في القطاع الصحي.

حتى اليوم، تفتقر أكثر المؤسسات والدول تقدما رقميا إلى معمارية بيانات جاهزة للذكاء الاصطناعي تدعم الجيل القادم من أنظمة الذكاء الاصطناعي القائمة على الوكلاء والاستدلال. ولكي تتمكن الدول من الوفاء بالتزامها باعتماد ذكاء صحي سيادي على نطاق وطني، وضمن أطر ثقافية وتاريخية وأخلاقية خاصة بها، فإن عليها إعادة تصميم معمارية بياناتها الصحية جذريا.

تطوير معمارية بيانات الجيل القادم للرعاية الصحية

لبناء معمارية بيانات معاصرة، تبرز مجموعة من المفاهيم الأساسية:

1. خط بيانات موحّد
أُنشئت معظم هياكل البيانات الصحية الحالية لتوفير تحديثات مجمّعة بالاعتماد على إدخالات يدوية من السجلات الصحية الإلكترونية والمختبرات أو أنظمة التصوير. لكن بيانات الصحة اليوم، وبشكل متزايد، تُنتج عبر مستشعرات آنية ومدخلات مؤتمتة.
وعليه، تحتاج المعمارية الحديثة إلى خط بيانات ذكي وموحّد يقوم بتنظيف البيانات الواردة وتوحيدها ووضع الوسوم لها في الزمن الحقيقي، ثم تحويلها مباشرة إلى تمثيلات رقمية يفهمها الذكاء الاصطناعي. ويعني ذلك الانتقال من قواعد بيانات علائقية جامدة نسبيا إلى قواعد بيانات بيانية متعددة الأبعاد، تتيح المعنى والسياق في الوقت الحقيقي.

2. جعل البيانات جاهزة ومفهومة وقابلة للتنقل بواسطة الذكاء الاصطناعي
حتى بعد المعالجة، تظل أجزاء مهمة من البيانات الصحية عصية على البحث بالكلمات المفتاحية التقليدية، كما تغيب عنها الروابط الخفية التي يمكن أن تحسن الرعاية وتدفع الاكتشافات الجديدة.
ظهرت مؤخرا أساليب متقدمة لاستخلاص أقصى قيمة من البيانات، مثل قواعد البيانات المتجهية، ونماذج الاسترجاع المعززة بالتوليد القائمة على الرسوم البيانية والهرمية، والمصنفات فائقة النطاق، ونماذج العالم. ويضمن اعتماد تمثيلات بيانات موحدة وقابلة للبحث ومتجهة أن تُخزّن البيانات وتُعلّم وتُستخدم بشكل مستمر وفي الزمن الحقيقي.
تعمل المتجهة وأساليب مشابهة على تحويل البيانات متعددة الأنماط، مثل النصوص والصور والإشارات والتسلسلات الجينومية، إلى تضمينات رقمية متعددة الأبعاد تلتقط العلاقات والمعاني بين نقاط البيانات. وهذا يمكّن أنظمة الذكاء الاصطناعي من فهم السياق، كالتعرف على الحالات السريرية المتشابهة، وربط الأعراض بالنتائج السابقة، أو استرجاع الأبحاث ذات الصلة بدقة أعلى.
ويُعد التوثيق السريري تحديا خاصا، إذ يتضمن الملاحظات والروايات الأساسية في تاريخ المريض الطبي، وهو ضروري لتبني الذكاء الاصطناعي على نطاق واسع، لكنه كان صعب المعالجة تقليديا. وتُعد هذه الأساليب المتقدمة ضرورية للتعامل مع هذا التعقيد، إذ تجعل البيانات قابلة للاستخدام في توليد الرؤى، وتدعم الاسترجاع السريع واتخاذ القرار في الزمن الحقيقي.

3. توحيد البيانات الخام والمنسقة والمثرّاة في بيئة واحدة مُدارة
تتوزع البيانات الصحية غالبا عبر حاويات متعددة ومعزولة، ما يجعل نقلها إلى حاوية واحدة أمرا مكلفا وصعب البحث. لذا تحتاج الأنظمة الصحية إلى اعتماد نموذج بحيرة بيانات موحدة كأساس للتخزين، يتيح وصولا آمنا للتحليلات والذكاء الاصطناعي والعمليات عبر طبقات إتاحة موحدة تضمن المرونة والثقة. وبهذا، يمكن لبيانات السجلات الصحية الإلكترونية والمختبرات وأجهزة التصوير والأجهزة القابلة للارتداء وتطبيقات المرضى أن تتدفق إلى بيئة واحدة متوافقة وقابلة للتشغيل البيني فور توليدها.

4. ضمان اتساق البيانات وأمنها وإتاحتها عبر المستخدمين والاستخدامات
يواجه قطاع الرعاية الصحية تحديا فريدا يتمثل في تعقيد البيانات متعددة الأنماط إلى جانب صرامة اللوائح الأمنية والأخلاقية. ورغم تجميع البيانات في بيئة موحدة، يجب أن تظل شديدة الأمان وسهلة الاسترجاع كي يتمكن الذكاء الاصطناعي من استخلاص الرؤى.
ويقوم نسيج بيانات ذكي بربط البيانات الموزعة عبر حاويات وقواعد متعددة، مع فرض سياسات الأمن والخصوصية. وعند طلب البيانات من تطبيق ذكاء اصطناعي أو طبيب، تُراجع أولا صلاحيات الوصول، ثم تُسحب البيانات عبر هذا النسيج لتُقدّم كمجموعة معلومات مترابطة ومراعية للسياق.

5. إرساء البيانات على رؤى سريرية وإدارية موثوقة
يتطلب الذكاء الاصطناعي الصحي ضوابط وسياقات تضمن توافق مخرجاته مع الإرشادات السريرية والتشغيلية. وتُعد الرسوم البيانية المعرفية، التي تمثل شبكة من العقد والعلاقات والمصطلحات الأساسية، إحدى الوسائل لتوجيه قرارات الذكاء الاصطناعي وربطها بسياق سريري موثوق، ما يجعل توصياته قابلة للمراجعة وباعثة على الثقة لدى فرق الرعاية.

معمارية للاستدلال المؤتمت
من خلال الانتقال من نموذج بيانات ساكن ومجزأ إلى بيئة ذكية تتعلم باستمرار، يصبح كل عنصر بيانات جديد قادرا على تحسين الرعاية ودفع البحث العلمي فورا.
تتيح هذه البنية للذكاء الاصطناعي العمل في الزمن الحقيقي عبر مختلف وظائف النظام الصحي، بحيث تنعكس المدخلات في نظام ما، مثل نتائج المختبرات أو إشارات الأجهزة الحيوية، على بقية الشبكة بشكل فوري عبر التحديثات المتدفقة. كما تمكّن أدوات الذكاء الاصطناعي القائمة على الوكلاء من الاستدلال المؤتمت، ما يؤدي إلى رعاية صحية أفضل وأقل كلفة على نطاق عالمي.
وفي هذا الإطار، تستفيد الوكلاء الذكية من بيانات المستشعرات اللحظية، بما في ذلك الفيديو والصوت، لاكتشاف إشارات دقيقة قد تغيب حتى عن الخبراء. والأهم من ذلك، أنها تتعلم من كل نتيجة وتغذية راجعة، فتتحسن أداؤها باستمرار مع بقائها ملتزمة بالمعايير السريرية والتشغيلية.
وفي الوقت نفسه، تعمل وكلاء مخصصة للبحث على تحليل البيانات لاكتشاف الأنماط والشذوذات، ودفع التقدم في العلاجات والاكتشافات، مع التعلم المستمر حول أكثر البيانات قيمة لكل باحث ومختبر.
أما المرضى، فيمكن لوكلاء ذكاء اصطناعي مدربين على الإجابة عن الأسئلة الصحية أن يواكبوا أحدث الأدبيات العلمية، ويقدموا إرشادات أساسية، مع تحويل الحالات التي تتطلب تدخلا إلى المختصين.

إن الرؤية لذكاء اصطناعي آمن ومتمحور حول المريض ممكنة اليوم، لكنها لن تتحقق إلا من خلال اعتماد معمارية بيانات حديثة على مستوى عالمي. ومن خلال ذلك، تستطيع المؤسسات الصحية والحكومات والمبتكرون تحويل البيانات إلى نتائج، والمعلومات إلى تعاطف، والوصول إلى عدد أكبر من المحتاجين للرعاية.