لماذا يفشل الذكاء الاصطناعي في استقطاب المرضى للتجارب السريرية

المشكلة

لقد استبعد نظام الذكاء الاصطناعي لديكم للتو مريضاً مؤهلاً من تجربة سريرية لأنه خلط بين خط وريدي روتيني وجراحة قلب مفتوح. هذا ليس مجرد سيناريو افتراضي؛ فقد أظهرت الدراسات التي تقيم أداء الذكاء الاصطناعي في مطابقة المرضى بالتجارب السريرية أن النماذج تستنتج بشكل خاطئ أن «قسطرة القلب هي ذاتها ثقب الوريد المركزي»، مما يؤدي إلى استبعاد غير مبرر لمرضى يستوفون كافة الشروط. أحد الإجراءين يمرر قسطرة إلى داخل القلب لتشخيص الانسدادات، بينما يضع الآخر خطاً في وريد رئيسي لإعطاء الأدوية — وغالباً ما يتم ذلك بجانب سرير المريض. يشترك الإجراءان في كلمة «قسطرة»، وهنا ينتهي كل تشابه بينهما.

لكن الذكاء الاصطناعي العام يجهل ذلك؛ فهو يرى كلمات متداخلة مثل «قسطرة»، و«وريدي»، و«ثقب»، فيجمعها معاً بناءً على تشابه سطحي، ثم يصنف المريض بأنه غير مؤهل. ولن يرى أي فرد في فريقكم ذلك المريض مرة أخرى. ضاعف هذا الخطأ عبر آلاف السجلات الطبية، وستبدأ في إدراك السبب وراء فشل نحو 80% من التجارب السريرية في الالتزام بجداولها الزمنية لتسجيل المرضى. إن القطاع لا يعاني من نقص في المرضى الذين تنطبق عليهم الحالات المطلوبة، بل يعاني من نقص في أنظمة ذكاء اصطناعي قادرة على التمييز بين إجراءين يبدوان متشابهين لغوياً لكنهما يختلفان تماماً من الناحية الطبية. إن أدوات الفرز لديكم تستبعد المؤهلين وتهدر الوقت على غير المؤهلين.

لماذا يمثل هذا الأمر أهمية بالغة لأعمالكم

كل يوم تتأخر فيه تجربتكم السريرية عن الجدول الزمني، تخسرون أموالاً لا يمكن استردادها. ويقدر تحليل حديث صادر عن مركز تافتس لدراسة تطوير الأدوية (Tufts CSDD) تكلفة يوم واحد من التأخير بنحو 800,000 دولار من مبيعات الوصفات الطبية الضائعة لأصل دوائي متوسط عالي الأداء. وفيما يخص علاجات القلب والأوعية الدموية، يرتفع هذا الرقم إلى 1.4 مليون دولار يومياً، وفي أمراض الدم يصل إلى 1.3 مليون دولار يومياً.

هذه ليست مجرد تكاليف تشغيلية، بل هي مبيعات مفقودة خلال فترة حصرية براءة الاختراع — وهي الفترة الوحيدة التي يحقق فيها عقاركم ذروة إيراداته.

وإليكم كيف تتراكم الأضرار عبر مختلف مفاصل مؤسستكم:

• الاستنزاف التشغيلي المباشر: إن إبقاء مواقع التجارب مفتوحة، ومراقبة البيانات، والحفاظ على عقود منظمات البحوث التعاقدية (CRO) يضيف نحو 40,000 دولار يومياً لتجارب المرحلتين الثانية والثالثة.
• هدر فشل الفرز الأولي: كل مريض يدخل مسار الفرز لديكم ويتبين لاحقاً عدم أهليته يكلف نحو 1,200 دولار. وعندما يغمر الذكاء الاصطناعي منسقي التجارب بمطابقات خاطئة، تتراكم تلك التكاليف بسرعة هائلة.
• تعثر مواقع الأبحاث: يعاني ما يقرب من 37% من مواقع الأبحاث من نقص تسجيل المرضى، بينما يعجز 11% منها عن تسجيل مريض واحد. وتعد المطابقة الرديئة عبر الذكاء الاصطناعي محركاً رئيسياً لذلك.
• الخسارة التنافسية: في دواعي الاستعمال المزدحمة مثل سرطان الرئة غير صغير الخلايا أو ابيضاض الدم النقوي الحاد، يستحوذ العقار الأول الذي يحصل على الموافقة على معظم السوق. ويمكن لتأخير لمدة ستة أشهر ناجم عن مشاكل الاستقطاب أن يحول عقاراً متفوقاً علمياً إلى خسارة تجارية كاملة.

يسأل مجلس إدارتكم عن سبب تأخر التجربة، ولا يمكن أن تكون إجابتكم: «لقد خلط الذكاء الاصطناعي بين قسطرة وريدية وإجراء جراحي في القلب».

ما يحدث فعلياً خلف الكواليس

فكر في الأمر على هذا النحو: تسلم شخصاً خزانة مليئة بالسجلات الطبية وتطلب منه البحث عن المرضى المؤهلين لتجربتكم، ولكنه بدلاً من القراءة لفهم المعنى، يبحث عن كلمات محددة — تماماً مثل استخدام Ctrl+F في مستند ضخم. إذا كانت قائمة الاستبعاد تتضمن «قسطرة القلب» وسجل المريض يذكر «قسطرة الوريد المركزي»، فإن أداة مطابقة الكلمات تسجل تطابقاً، ويتم رفض المريض فوراً.

هذه هي بالضبط الطريقة التي تعمل بها معظم أدوات الذكاء الاصطناعي الحالية، سواء كانت أدوات مطابقة الكلمات المفتاحية التقليدية أو النماذج اللغوية الكبيرة الحديثة (LLMs — التقنية التي تقف خلف أدوات مثل ChatGPT). ورغم أن النماذج اللغوية الكبيرة أكثر تطوراً، إلا أنها لا تزال تعمل على أساس التقارب اللفظي؛ ففي فضائها الرياضي الداخلي، تقع «قسطرة القلب» و«قسطرة الوريد المركزي» متقاربتين للغاية، فكلاهما يتضمن قساطر وكلاهما يتعلق بالجهاز الوعائي. ودون وجود قاعدة معرفية طبية مهيكلة تخبر الذكاء الاصطناعي بأن هذين الإجراءين يقعان في فرعين مختلفين تماماً من شجرة الطب، فإنه يخلط بينهما حتماً.

تطلق الورقة البيضاء على هذه الظاهرة اسم «فجوة الدقة». وهي تخلق مفارقة عجيبة: فزيادة الأتمتة تؤدي في الواقع إلى انخفاض الكفاءة. وعندما تقدم أداتكم 100 مريض مرشح بينما 5 منهم فقط مؤهلون بالفعل، يفقد منسقو المواقع الثقة فيها، ويتوقفون عن استخدامها ليعودوا إلى المراجعة اليدوية للسجلات. لقد دفعتم مقابل ذكاء اصطناعي جعل فريقكم أبطأ.

تكمن القضية الجوهرية في أن النماذج اللغوية الكبيرة تتنبأ بالكلمة التالية المحتملة، ولا تستنتج حقائق طبية. ويمكنها أن تقدم لكم إجابات مختلفة لنفس السؤال بناءً على كيفية صياغته. وتتطلب التجارب السريرية مسارات تدقيق قابلة للتكرار بنسبة 100%، إذ تحتاج الهيئات التنظيمية إلى معرفة السبب الدقيق وراء إدراج كل مريض أو استبعاده. الاحتمالية ليست دليلاً قاطعاً.

ما ينجح (وما يفشل)

ثلاثة مناهج شائعة تثبت عجزها:

• مطابقة الكلمات المفتاحية ومحللات ملفات PDF: تتعامل مع الأهلية وكأنها لعبة بحث عن الكلمات، وتعجز عن التمييز بين إجراء قلبي وآخر وريدي يشتركان في كلمة «قسطرة».
• واجهات برمجة التطبيقات لأغلفة النماذج اللغوية العامة: ترسل بيانات مرضاكم إلى نموذج لغوي كبير يخمن الأهلية، فتحدث هلوسات — أي اختلاق تشخيصات أو موافقات لا وجود لها في السجل الطبي، فضلاً عن خلق مخاطر تمس خصوصية البيانات عند خروج المعلومات الصحية المحمية إلى خوادم خارجية.
• المرشحات المنطقية (Boolean) على الحقول المهيكلة: تفحص خانات نعم/لا (مثل «ارتفاع ضغط الدم = صحيح»)، لكنها تعجز عن تحليل بنود الاستثناء. فالبروتوكول الذي ينص على «استبعاد مرضى ارتفاع ضغط الدم إلا إذا كان منضبطاً جيداً بعلاج مستقر لمدة 3 أشهر على الأقل» يتحول إلى رفض كلي، مما يفقدكم جميع مرضى ضغط الدم المنضبط.

أما الحل الناجح فهو بنية الذكاء الاصطناعي العصبي الرمزي — وهو نظام يفصل القراءة عن الاستدلال المنطقي، ويعمل عبر ثلاث خطوات:

1. المدخلات — القارئ: يقرأ نموذج لغوي بياناتكم غير المهيكلة (ملفات PDF، ملاحظات الأطباء، الفحوصات المخبرية الممسوحة ضوئياً). وتقتصر مهمته الوحيدة على تحديد المفاهيم الطبية في النص دون البت في الأهلية؛ حيث يستخرج مصطلحات مثل «ثقب الوريد المركزي» ويربطها برمز طبي قياسي.
2. المعالجة — المخطط والمستدل: يتحقق رسم بياني معرفي — وهو خريطة مهيكلة للعلاقات الطبية مبنية على SNOMED CT (نظام المصطلحات السريرية الأكثر تفصيلاً في العالم) — من موقع ذلك الرمز في الهيكل الهرمي الطبي. ويؤكد أن «قسطرة الوريد المركزي» هي نوع فرعي من «قسطرة الوريد»، وليست نوعاً فرعياً من «إجراء على القلب». ثم يطبق محرك منطقي قواعد التجربة، بما في ذلك الشروط الزمنية («اكتمل قبل أكثر من 6 أشهر») وبنود الاستثناء («ما لم يكن منضبطاً جيداً»).
3. المخرجات — القرار مع مسار تدقيق: يقدم النظام نتيجة واضحة تفيد بالأهلية أو الاستبعاد لكل معيار. ويأتي كل قرار مصحوباً بأثر استدلالي يوضح الرموز الطبية المحددة، والمسار الهرمي الذي تم التحقق منه، والقاعدة المنطقية المطبقة، مما يتيح لفريق الامتثال لديكم تدقيق كل مطابقة بشكل مستقل.

مسار التدقيق هذا هو الفارق الجوهري بين نظام تقبله الهيئات التنظيمية ونظام تشكك فيه. فعندما تسأل إدارة الغذاء والدواء (FDA) أو وكالة الأدوية الأوروبية (EMA) عن سبب إدراج المريض رقم 4,072 في تجربتكم، يمكنك أن تعرض لهم السلسلة المنطقية الدقيقة، وهو ما يستحيل فعله مع نموذج لغوي عام قدم درجة احتمالية فقط. كما تحافظ هذه البنية على بيانات المرضى داخل بيئتكم الآمنة، حيث يعمل الرسم البياني المعرفي ومحرك المنطق محلياً دون الحاجة إلى خروج أي معلومات صحية محمية خارج جدار الحماية لديكم.

بالنسبة للمؤسسات التي تفكر بالفعل في بناء الرسوم البيانية المعرفية وهندسة الأنطولوجيات الطبية المتخصصة، فإن هذه هي الطبقة التأسيسية. ونظراً لأن كل قرار ينتج برهاناً منطقياً قابلاً للتتبع، فإنه يرتبط مباشرة بمتطلبات قابلية التفسير وشفافية القرار التي تطالب بها الجهات التنظيمية بشكل متزايد.

ويكتسب هذا الأمر أهمية قصوى عبر قطاع الرعاية الصحية وعلوم الحياة، حيث تُقاس تكلفة القرار الخاطئ للذكاء الاصطناعي بسلامة المرضى، والمخاطر التنظيمية، ومئات الملايين من الإيرادات المفقودة.

للاطلاع على البنية التقنية الكاملة، بما في ذلك أمثلة التسلسل الهرمي لـ SNOMED CT وصياغات المنطق المعياري، اقرأ التحليل التقني الكامل. كما يمكنك أيضاً استكشاف النسخة التفاعلية للحصول على جولة إرشادية تفصيلية حول كيفية عمل المطابقة العصبية الرمزية في الممارسة العملية.