ما وراء النحو: الضرورة الحتمية لـ الذكاء الاصطناعي العصبي-الرمزي والتنميط الظاهري الموجَّه بالأنطولوجيا في استقطاب التجارب السريرية

1. الأزمة الاقتصادية والسريرية لإخفاق الاستقطاب

تقف صناعة الأدوية عند تقاطع محفوف بالمخاطر بين إنجاز علمي غير مسبوق وكفاءة تشغيلية غير مستدامة. فبينما أُحدثت ثورة في آليات اكتشاف الأدوية بفضل الفحص عالي الإنتاجية، والبيولوجيا التوليدية، و الكيمياء الحاسوبية، لا تزال آلة التحقق السريري مقيَّدة بـ عمليات عتيقة تهدد الجدوى الاقتصادية للعلاجات الحديثة. ظاهرة «قانون إيروم» —الملاحظة بأن اكتشاف الأدوية يصبح أبطأ وأكثر تكلفة مع مرور الوقت، بنسبة عكسية لتحسّن كثافة الترانزستورات—ليست إخفاقًا في العلم، بل إخفاقًا في العملية. ¹ وفي صميم هذه الأزمة التشغيلية يكمن العجز المستمر عن تحديد واستقطاب المرضى المؤهلين للتجارب السريرية بكفاءة.

تشير التحليلات المعاصرة إلى أن الغالبية العظمى من التجارب السريرية—حوالي 80%—تخفق في الوفاء بجداول التسجيل الزمنية. ² وليست هذه الإحصائية مجرد مقياس للتأخير؛ بل هي كمٌّ للابتكار الضائع والأمل المؤجَّل. وعندما يتعثر الاستقطاب، فإن خط تطوير الدواء بأكمله يتوقف، محدثًا إخفاقًا متسلسلًا يمس العوائد المالية، وجداول الموافقات التنظيمية، والأهم من ذلك، وصول المرضى إلى علاجات منقذة للحياة. إن المقاربة الحالية للصناعة لهذا الاختناق، التي كثيرًا ما تتسم بنشر محلِّلات PDF عامة ومطابقة كلمات مفتاحية بـ «Ctrl+F»، تمثّل سوء فهم جوهريًا للمشكلة. فنحن نحاول علاج السرطان بالنحو، بينما يكمن العلاج في الدلالة.

1.1 الحساب المالي للكمون

الوقت هو أغلى مورد منفرد في منظومة الأدوية. ففي صناعة تحكُمها نوافذ الحصرية ببراءات الاختراع، كل يوم يُفقد في التطوير السريري هو يوم يُخصم من فترة توليد الإيرادات الذروة. ويتجاوز الأثر المالي لتأخيرات التجارب معدل الحرق التشغيلي المباشر بكثير؛ فهو يآكل صافي القيمة الحالية (NPV) للأصل ويغيّر جذريًا ملف العائد على الاستثمار (ROI) لمحفظة البحث.

يقدّم بحث أجراه مركز تافتس لدراسة تطوير الأدوية (CSDD) تكميمًا صارمًا وقاسيًا لهذه التكلفة. فبينما كثيرًا ما استشهدت تقديرات التسعينيات التاريخية بنطاق واسع من $600,000 إلى $8 million لكل يوم تأخير، تقدّم التحليلات المحدَّثة المصقولة لـ المشهد الاقتصادي 2024-2025 صورة أدق وأكثر إثارة للقلق. وتُقدَّر قيمة يوم واحد من التأخير في تطوير الدواء الآن بحوالي $800,000 في مبيعات الوصفات الضائعة لأصل متوسط عالي الأداء. ⁴

غير أن هذا المتوسط يحجب التقلب الشديد القائم في المجالات العلاجية عالية القيمة. فبالنسبة لمؤشرات كاسحة في الأورام، أو أمراض القلب والأوعية، أو أمراض الدم، تكون تكلفة الكمون أعلى بكثير. والعلاجات الأورامية المتخصصة، التي كثيرًا ما تستهدف علامات جينية محددة وتتطلب مطابقة دقيقة للمرضى، تواجه ضغطًا تنافسيًا حادًا. فتأخير بضعة أشهر فحسب قد يسفر عن دخول «ثانٍ إلى السوق»، مما قد يكلّف مليارات من الحصة السوقية الضائعة على مدار دورة حياة المنتج. ⁵

والتكاليف التشغيلية وحدها—النفقة المباشرة لإبقاء مواقع التجارب مفتوحة، ومراقبة البيانات، والإبقاء على عقود CRO—تضيف نحو $40,000 يوميًا لتجارب المرحلة الثانية والثالثة. ⁴ ومع ذلك، فالتكلفة الحقيقية هي تكلفة الفرصة البديلة. ففي مؤشرات تنافسية مثل سرطان الرئة غير صغير الخلايا (NSCLC) أو ابيضاض الدم النقوي الحاد (AML)، كثيرًا ما تتسابق أصول متعددة نحو خط النهاية التنظيمي نفسه. وعادةً ما يستحوذ الداخل الأول على غالبية الحصة السوقية و يرسي معيار الرعاية. أما أن تكون ثانيًا، بسبب تأخيرات الاستقطاب، فيجعل دواءً متفوقًا علميًا في غير ذلك غير قابل للحياة تجاريًا.

جدول 1: الأثر المالي لتأخيرات التجارب السريرية حسب المجال العلاجي

المجال العلاجي	وسيط المبيعات الضائعة لكل يوم تأخير (2023 USD)	عامل التعقيد التشغيلي
القلب والأوعية	$1.4 Million	مرتفع (أفواج كبيرة، مراقبة معقّدة)
أمراض الدم	$1.3 Million	مرتفع (مواقع متخصصة، أنماط ظاهرية نادرة)
الأورام	$840,000	مرتفع جدًا (فحص جيني، استبعادات معقّدة)
الجهاز العصبي المركزي	متغيّر	متوسط إلى مرتفع (نقاط نهاية ذاتية)

بيانات مستمدة من تقرير أثر Tufts CSDD والتحليلات المالية المرتبطة. ⁴

تخلق هذه الحقيقة المالية ضرورة للكفاءة لا يمكن تلبيتها بالعمليات اليدوية أو الأتمتة العامة. والفرق بين تجربة تسجّل في موعدها وأخرى تتأخر ستة أشهر كثيرًا ما يكون الفرق بين أصل مربح وشطب.

1.2 الاختناق التشغيلي: قمع إخفاق الفرز

لا تُعرَّف أزمة الاستقطاب بنقص المرضى وحدهم، بل بعدم كفاءة قمع الفرز. فالصناعة لا تعاني من نقص في انتشار المرض؛ بل تعاني من نقص في الأهلية القابلة للتحديد. ويُقدَّر أن 37% من مواقع البحث لا تستقطب العدد الكافي، وأن نسبة صادمة 11% تخفق في تسجيل مريض واحد . ³ ويُحرَّك هذا القصور إلى حد كبير بمعدلات إخفاق فرز مرتفعة، حيث يُحدَّد المرضى كمرشحين محتملين بناءً على معايير سطحية لكن يُرفضون في النهاية بعد مراجعة يدوية مكلفة ومستهلكة للوقت.

وتكلفة إخفاق الفرز كبيرة، بمتوسط نحو $1,200 لكل إخفاق عبر الصناعة. ³ وتغطي هذه التكلفة وقت منسّقي المواقع، ونفقة الفحوص الأولية، والعبء الإداري لمعالجة بيانات المريض. وعندما تنتج الأنظمة المؤتمتة أحجامًا عالية من الإيجابيات الكاذبة—مرضى يبدون مؤهلين بناءً على كلمات مفتاحية لكنهم غير مؤهلين بناءً على المنطق السريري—فإنها تسد قمع الاستقطاب.

وتخلق هذه الظاهرة هجوم «حرمان من الخدمة» على مواقع البحث السريري. فمنسّقو المواقع، المثقلون أصلًا بالمهام الإدارية، يُغرقون بقوائم «مطابقات محتملة» تولّدها أدوات ذكاء اصطناعي منخفضة الوفاء. وإذا قدّمت أداة 100 مرشح ولم يكن سوى 5 مؤهلين فعلًا، فسرعان ما يفقد المنسّق الثقة في النظام ويعود إلى الأساليب اليدوية. وهذا التناقض—أن مزيدًا من الأتمتة قد يؤدي إلى كفاءة أقل—هو نتيجة مباشرة لـ «فجوة الدقة» في تقنيات المطابقة الحالية.

وعلاوة على ذلك، يزيد تعقيد بروتوكولات التجارب المتنامي هذه المسألة تفاقمًا. فالبروتوكولات الحديثة لم تعد قوائم بسيطة لمعايير الاشتمال والاستبعاد. بل هي بنى منطقية معقّدة تحتوي عشرات الجمل الشرطية، والتبعيات الزمنية (مثل: «لا تعرض سابق للدواء X خلال 6 أشهر ما لم يكن السياق Y»)، ومتطلبات واسمات حيوية دقيقة. ويعاني المستقطبون البشريون، المنهكون بأحجام عالية من بيانات EHR، ومحلِّلات الذكاء الاصطناعي العامة، التي تفتقر إلى الاستدلال الزمني والأنطولوجي، في تطبيق هذه المعايير باتساق. ⁶

1.3 الضرورة الإنسانية والأخلاقية

وراء المقاييس المالية تكمن الضرورة الأخلاقية للبحث السريري. فتأخيرات الاستقطاب تترجم مباشرة إلى تأخيرات في الموافقة التنظيمية. فبالنسبة للمرضى ذوي الحالات المتقدمة مثل السرطان النقيلي، أو الأمراض التنكسية العصبية، أو الاضطرابات الجينية النادرة، ليس تأخير ستة أشهر في بدء تجربة أو مرحلة التسجيل إحصائية؛ بل هو فترة تغيّر الحياة. وقد يعني الفرق بين الوصول إلى علاج يُحتمل أن يكون شافيًا و تلقي رعاية تلطيفية. ⁷

ويشمل معيار الرعاية الحالي للاستقطاب المسح اليدوي للسجلات الطبية بصيغة PDF أو استخدام بحث كلمات مفتاحية بدائي بـ «Ctrl+F» لإيجاد المرضى. وهذه المقاربة منحازة بطبيعتها ضد المرضى المعقّدين. فهي تفضّل من لهم تواريخ بسيطة وموثَّقة بوضوح و تستبعد من دُفنت أهليتهم في ملاحظات غير منظَّمة أو منطق شرطي معقّد. وبإخفاقنا في تحديد المرضى المؤهلين بدقة، نحن لا نؤخر الأدوية فحسب؛ بل نحن نحرِم من الوصول.

تحاجج هذه الورقة البيضاء بأن حل هذه الأزمة يتطلب تحولًا جذريًا في كيفية معالجتنا للبيانات السريرية. يجب أن ننتقل من معالجة النص العشوائية إلى التنميط الظاهري الموجَّه بالأنطولوجيا . ويجب أن نستبدل احتمال نموذج اللغة الكبيرة بيقين حالّ المنطق. وتضع Veriprajna نفسها في طليعة هذا الانتقال، مستفيدة من الذكاء الاصطناعي العصبي-الرمزي لسد الفجوة بين لغة الرعاية غير المنظَّمة والمنطق الصارم لـ البحث.

2. إخفاق النحو: لماذا تُخطئ محلِّلات PDF والذكاء الاصطناعي العام الهدف

حاولت صناعة الأدوية حل اختناق الاستقطاب بمعالجة اللغة الطبيعية (NLP) لأكثر من عقد. غير أن الجهود المبكرة اعتمدت إلى حد كبير على مقاربات قائمة على النحو —مطابقة كلمات مفتاحية، وتعبيرات نمطية، وسلاسل بحث بولينية—أو، مؤخرًا، التوليد الاحتمالي عبر نماذج اللغة الكبيرة (LLMs) مثل GPT-4 أو Claude. وكلا المقاربتين، رغم تمايزهما تقنيًا، تشتركان في نمط إخفاق مشترك في سياق التجارب السريرية: تفتقران إلى الدقة الدلالية .

2.1 مغالطة «قسطرة القلب» مقابل «البزل الوريدي المركزي»

لفهم الإخفاق العميق للمطابقة القائمة على النحو، يجب أن نفحص سيناريو سريريًا محددًا يبرز غياب التأسيس الأنطولوجي في الذكاء الاصطناعي العام. وهذا المثال ليس حالة هامشية؛ بل يمثّل فئة أخطاء تسري في أنظمة الاستقطاب المؤتمتة.

انظر بروتوكول تجربة سريرية لمضاد تخثر جديد يدرج صراحة "قسطرة القلب" كمعيار استبعاد. والمسوغ الطبي سليم: قسطرة القلب تتضمن تمرير قسطرة إلى حجرات القلب أو الشرايين التاجية لـ تقييم الوظيفة أو علاج انسداد. ⁹ وهي إجراء قلبي غازٍ عالي المخاطر يستلزم عدم استقرار قلبي وعائي حديث، مما يجعل المريض غير مناسب لملف سلامة التجربة.

والآن، انظر مريضًا يحتوي سجله الصحي الإلكتروني (EHR) على ملاحظة طبيب تصف "البزل الوريدي المركزي" (كثيرًا لوضع قسطرة وريدية مركزية أو CVC). يتضمن هذا الإجراء الوصول إلى وريد رئيسي (الوداجي الباطن، أو تحت الترقوة، أو الفخذي) لإعطاء دواء أو سوائل أو مراقبة الضغط الوريدي المركزي. ¹¹ ورغم أنه غازٍ، فهو إجراء وصول وعائي، يُجرى كثيرًا بجانب السرير في العناية المركزة، ويختلف جوهريًا عن قسطرة القلب في الهدف التشريحي، والأثر الفسيولوجي، وملف المخاطر.

نمط إخفاق الذكاء الاصطناعي العام:

1.​ خلط الكلمات المفتاحية: خوارزمية مطابقة كلمات مفتاحية قياسية—أو نموذج لغة كبيرة موجَّه على نحو رديء يعمل على تشابه المتجهات—يمسح سجل المريض. فيحدّد مصطلحات مثل «catheter» و«venous» و«puncture»، وربما «cardiac» (إذا وُضعت CVC في وحدة عناية قلبية أو CCU).

2.​ قرب المتجهات: في الفضاء الكامن عالي الأبعاد لنموذج تضمين عام، تُوضع «قسطرة القلب» و«القسطرة الوريدية المركزية» على مقربة وثيقة. فكلاهما إجراء طبي؛ وكلاهما يتضمن قساطر؛ وكلاهما يمس الجهاز الوعائي. والنموذج العام، لافتقاره إلى أنطولوجيا طبية صارمة، يخلط بينهما بناءً على التشابه الموضوعي.

3.​ الاستبعاد الكاذب: يستنتج الذكاء الاصطناعي أن المريض خضع للإجراء القلبي المستبعد. فيوسم المريض بأنه غير مؤهل.

4.​ النتيجة: يُفقد مريض مؤهل عن التجربة. ولا يرى منسّق الموقع هذا المريض أبدًا، أو أسوأ من ذلك، يرى رفضًا كاذبًا ويفقد الثقة في الأداة.

وهذا ليس خطأً افتراضيًا. فقد حددت دراسات حديثة تقيّم نماذج الذكاء الاصطناعي لمطابقة التجارب أنماط إخفاق محددة حيث تستنتج النماذج خطأً أن «قسطرة القلب هي ذاتها البزل الوريدي المركزي»، مما يؤدي إلى استبعاد خاطئ. ² وهذا الخطأ ينبع من غياب التمييز الأنطولوجي ؛ فالذكاء الاصطناعي يعرف أن الكلمات مرتبطة، لكنه لا يعرف كيف هما متمايزان.

2.2 حدود نماذج اللغة الكبيرة الاحتمالية في اتخاذ القرار عالي المخاطر

أدى ظهور الذكاء الاصطناعي التوليدي ببعضهم إلى الاعتقاد بأن «مطالبات أفضل» ستحل هذه المسألة. غير أن نماذج اللغة الكبيرة تعاني قيودًا بنيوية متأصلة عند تطبيقها على المتطلبات الحتمية لبروتوكولات التجارب السريرية. وفي بيئات الرعاية الصحية عالية المخاطر، تطرح طبيعة «الصندوق الأسود» للشبكات العصبية ثلاثة حواجز حرجة:

1.​ غياب الحتمية: نماذج اللغة الكبيرة محركات احتمالية صُمِّمت للتنبؤ بالرمز التالي الأكثر احتمالًا. وهي ليست محركات منطق. فقد يحدّد نموذج لغة كبيرة مريضًا بأنه مؤهل في تشغيل ويُعدّه غير مؤهل في التالي، بناءً على تغيّرات طفيفة في المطالبة، أو ضبط درجة الحرارة، أو نافذة السياق المحيطة. وتتطلب التجارب السريرية 100% مسارات تدقيق قابلة لإعادة الإنتاج ؛ ويجب أن يعرف المنظّمون تمامًا لماذا أُدرج مريض أو استُبعد. ¹³

2.​ العجز عن التحقق من الحقيقة (مشكلة الهلوسة): لا تتحقق نماذج اللغة الكبيرة من الحقائق مقابل قاعدة بيانات حقيقة أرضية ما لم تُصمَّم صراحة لذلك. وإذا كانت ملاحظة المريض غامضة، فقد يهلوس نموذج لغة كبيرة تشخيصًا لملء الفجوة، «مخترعًا» مراضة مرافقة تستبعد المريض أو، وهو أخطر، مخترعًا تصريحًا يُدرج مريضًا غير مؤهل.

3.​ تسريبات الخصوصية والحوكمة: يثير إرسال بيانات مرضى غير منظَّمة إلى واجهات نماذج عامة مخاوف كبيرة بموجب HIPAA/GDPR. ورغم وجود نسخ مؤسسية، فإن المعمارية الأساسية لمعاملات هائلة تتفاعل مع بيانات صحية خاصة تتطلب معماريات صارمة لحفظ الخصوصية كثيرًا ما تخفق واجهات الغلاف في توفيرها. ¹³

و«الرأي الحاد» الذي يقود فلسفة Veriprajna مؤسس على هذا الواقع: تحاول الصناعة حل مشكلة منطق (الأهلية) بأداة احتمال (نماذج اللغة الكبيرة). ويتطلب الحل الانتقال من الاحتمال إلى قابلية الإثبات.

3. التنميط الظاهري الموجَّه بالأنطولوجيا: ميزة SNOMED CT

لحل إخفاق النحو ومخاطر الاحتمال، تناصر Veriprajna و تنفّذ التنميط الظاهري الموجَّه بالأنطولوجيا . وهذا النهج يحوّل المهمة جذريًا من قراءة الكلمات إلى تعيين مفاهيم طبية موحَّدة. ونستخدم SNOMED CT (Systematized Nomenclature of Medicine -- Clinical Terms)، أشمل مصطلحات رعاية صحية سريرية متعددة اللغات في العالم، لتوفير «الحقيقة الأرضية» لذكائنا الاصطناعي. ¹⁵

3.1 قوة التسلسل الهرمي (علاقات Is-A)

SNOMED CT ليس مجرد قاموس؛ بل أنطولوجيا متعددة التسلسل الهرمي منظَّمة كـ رسم بياني موجَّه عديم الدورات (DAG). وتربط المفاهيم علاقات منطقية، أبرزها علاقة Is-A (النوع الفرعي). ويتيح هذا الهيكل للذكاء الاصطناعي فهم التدرج، والوراثة، والسياق التشريحي بطريقة لا تستطيعها قوائم الكلمات المفتاحية المسطحة.

وبالعودة إلى مثال «قسطرة القلب»، يفهم نظام واعٍ بـ SNOMED التسلسلات الهرمية المتمايزة التالية:

التسلسل الهرمي أ: هدف الاستبعاد

●​ المفهوم: قسطرة القلب (إجراء)

○​ الأصل: إجراء على القلب (إجراء) ○​ الأصل: إجراء غازٍ (إجراء) ○​ الفرع: تصوير الأوعية التاجية (إجراء) ○​ الفرع: قسطرة القلب الأيسر (إجراء) ¹⁸

التسلسل الهرمي ب: حدث المريض

●​ المفهوم: القسطرة الوريدية المركزية (إجراء)

○​ الأصل: قسطرة وريد (إجراء) ​¹⁹

○​ الأصل: إدخال قسطرة وعائية (إجراء)

○​ الفرع: إدخال قسطرة مركزية مُدخَلة طرفيًا (إجراء)

محرك الاستدلال: عندما يستبعد البروتوكول «قسطرة القلب»، لا يبحث الذكاء الاصطناعي الموجَّه بالأنطولوجيا عن كلمتي «cardiac» أو «catheter». بل ينفّذ استعلامًا دلاليًا على الرسم: هل إجراء المريض (SCTID: 392230005) نوع فرعي من معايير الاستبعاد (SCTID: 41976001)؟ ويجيب تسلسل SNOMED الهرمي بـ لا . فالمفاهيم تقع على فروع مختلفة من شجرة الإجراءات (قلب مقابل وريد). ويحكم الذكاء الاصطناعي حتميًا بأن المريض مؤهل بخصوص هذا المعيار. ² ويصمد هذا المنطق حتى لو كتب الطبيب «Central Line Placement» أو «CVC Insertion»، لأن طبقة استخراج الكيانات تعيّن كل تلك المرادفات إلى SCTID الصحيح قبل حدوث فحص المنطق.

3.2 حل مشكلة الترادف والتدرج

تعجّ التوثيقات الطبية بالمرادفات والاختصارات ومستويات تدرج متفاوتة. فقد يكتب طبيب «Heart Cath» أو «Angio» أو «Coronary Angiography» أو «LHC» (Left Heart Cath). ويحتاج بحث الكلمات المفتاحية إلى ترميز صلب لكل تنويع ممكن، وسيظل يفوته صياغات جديدة.

ويتعامل SNOMED CT مع هذا عبر الترادف و ثبات المفهوم . فالمفهوم Coronary artery disease يُعيَّن تلقائيًا إلى «CAD» و«Coronary arteriosclerosis» و«Arteriosclerotic heart disease» وعشرات التنويعات الأخرى. ²⁰ ويستخرج ذكاؤنا الاصطناعي معرّف المفهوم (SCTID)، لا السلسلة. ومتى حُوِّل النص إلى SCTID، يتلاشى الغموض. وتُجرى المطابقة مفهومًا إلى مفهوم، لا كلمة إلى كلمة.

وعلاوة على ذلك، يتيح SNOMED CT التنسيق اللاحق، حيث يمكن تنقيح المفاهيم بـ سمات. فعلى سبيل المثال، «حصاة الكلية اليسرى» ليست مجرد سلسلة؛ بل هي مفهوم حصاة الكلية منقَّح بسمة الجانبية يسار. ²² ويتيح هذا للذكاء الاصطناعي المطابقة مقابل بروتوكولات تحدد الجانبية أو الشدة (مثل: «استبعدوا المرضى ذوي مرض كلوي ثنائي الجانب») بـ دقة رياضية.

3.3 بناء النمط الظاهري الحاسوبي

بتجميع معرّفات SCTID هذه من النص غير المنظَّم، نبني «نمطًا ظاهريًا حاسوبيًا» للمريض. وهذا النمط مجموعة منظَّمة من الرموز تمثّل الحالة السريرية الدقيقة للمريض، مميِّزة بين:

●​ التشخيص (اضطراب): مثلًا، ورم خبيث في الرئة

●​ الإجراء: مثلًا، استئصال فص رئوي

●​ العثور: مثلًا، كتلة في الرئة

وهذا التمييز حاسم. فـ«عثور» على كتلة ليس ذاته «تشخيص» سرطان. وقد يستبعد بحث كلمات مفتاحية عن «كتلة رئوية» مريضًا من دراسة متطوعين أصحاء، أو يدرجهم في تجربة سرطان على نحو خاطئ. ويحترم التنميط الظاهري الموجَّه بالأنطولوجيا التمييز بين حالة مشتبه بها وتشخيص مؤكد. ¹⁶

4. منطق الاستبعاد: الاستدلال الواجبي في معايير الأهلية

فبينما يتعامل SNOMED CT مع الـ ماذا (المفاهيم الطبية)، يتعامل المنطق الواجبي مع الـ كيف (قواعد الاشتباك). ونادرًا ما تكون معايير التجارب السريرية عبارات بولينية بسيطة (حضور/غياب). بل هي عبارات معيارية معقّدة تحكم ما هو واجب (يجب أن يوجد)، مسموح (يمكن أن يوجد)، أو محظور (يجب ألا يوجد). ²⁴

4.1 تعقيد «ما لم»: إعراب جمل الاستثناء

نقطة إخفاق كبرى للذكاء الاصطناعي العام هي «جملة الاستثناء». فبروتوكولات التجارب كثيرًا ما تتضمن معايير استبعاد شرطية. انظر معيار الاستبعاد القياسي التالي في تجارب الأورام:

"استبعدوا المرضى ذوي ارتفاع ضغط الدم، ما لم يكن مضبوطًا جيدًا على علاج مستقر لمدة 3 أشهر على الأقل."

يرى مطابق الكلمات المفتاحية «ارتفاع ضغط الدم» ويستبعد المريض. وقد يرى مرشح بوليني قياسي «ارتفاع ضغط الدم = TRUE» ويستبعد. وكلاهما يسفر عن فقدان مريض مؤهل لديه المرض لكنه يستوفي معايير المشاركة.

إعراب المنطق الواجبي: يعرب ذكاء Veriprajna الاصطناعي هذه الجملة باستخدام عوامل واجبية:

●​ الحظر ($F$): وجود ارتفاع ضغط الدم ($H$).

●​ الاستثناء/الإذن ($P$): ارتفاع ضغط الدم ($H$) AND مضبوط ($C$) AND مستقر ($S$).

تصبح الصياغة المنطقية دالة شرطية:

$$\text{Status}(x) = \begin{cases} \text{Eligible} & \text{if } \neg H(x) \lor (H(x) \wedge C(x) \wedge S(x)) \\ \text{Excluded} & \text{if } H(x) \wedge (\neg C(x) \lor \neg S(x)) \end{cases}$$ ثم يعرب ذكاؤنا الاصطناعي القيود الزمنية («3 أشهر على الأقل») والحالة السريرية («مضبوط» معرَّف بضغط دم < 140/90 mmHg أو تاريخ دواء مستقر). ²⁶ ويحدّد المرضى الذين لديهم المرض لكنهم يمتلكون الإذن الواجبي للمشاركة.

4.2 معالجة «ليس X ما لم Y»: حالات سريرية متناقضة

نمط شائع آخر يتضمن حالات سريرية متناقضة أو علاجات سابقة.

"يجب ألا يكون المرضى قد تلقوا علاجًا كيميائيًا سابقًا، ما لم يكن علاجًا مساعدًا

نيوًا أُكمل قبل > 6 أشهر."

وهنا يجب أن يتحقق الذكاء الاصطناعي في آن واحد من:

1.​ الحدث: إعطاء العلاج الكيميائي (استبعاد عادةً).

2.​ السياق (القصد): هل كان مساعدًا نيوًا؟ (يتطلب فهم قصد العلاج).

3.​ الزمني: هل انتهى قبل > 6 أشهر من Date_Current؟

ننفّذ هذا باستخدام منطق التجميع الزمني (TEL)، وهو شكل متخصص من المنطق الزمني يتيح للنظام نمذجة الجدول الزمني للتجربة ووضع أحداث المريض ضمن نوافذ رصد صالحة. ²⁸ ينشئ النظام خطًا زمنيًا لتاريخ المريض، ويعلّم حدث العلاج الكيميائي، ويتحقق من سمته (مساعد نيو)، ويقيس الفرق $t$ مقابل تاريخ المرجع. وهذا الإعراب المنطقي الصارم ينقذ مرضى مؤهلين تُسقطهم بحوث الكلمات المفتاحية لمجرد ذكر «علاج كيميائي» في تاريخهم.

4.3 لماذا تعني «ابدأ مطابقة المرضى» المنطق الواجبي

تشير العبارة «توقف عن مطابقة الكلمات. ابدأ مطابقة المرضى» تحديدًا إلى هذه القدرة. فنحن نفسّر حالة الأهلية للمريض، لا مجرد حضور مصطلحات في سجله. وبنمذجة الحقوق والواجبات للبروتوكول (مثل الحق في المشاركة في ظل شروط محددة)، نوائم الذكاء الاصطناعي مع القصد الأخلاقي والعلمي لـ تصميم الدراسة. ¹⁴

ويحوّل هذا النهج عملية الاستقطاب من مهمة «بحث»—إيجاد سلاسل في قاعدة بيانات—إلى مهمة «استدلال»—تقييم حالة المريض مقابل مجموعة قواعد منطقية. وهذا هو الفرق الجوهري بين محرك بحث وثائق ونظام دعم قرار سريري.

5. معمارية محرك عصبي-رمزي

لتقديم هذا الحل، توظّف Veriprajna معمارية ذكاء اصطناعي عصبي-رمزي . وهذه ليست بناءً أكاديميًا نظريًا؛ بل خيار هندسي عملي يجمع أفضل نموذجين للذكاء الاصطناعي لضمان الموثوقية والقابلية للتفسير والدقة في صناعة منظَّمة.

5.1 المكدس العصبي-الرمزي

تتبع معماريتنا نموذج تكامل عصبي-رمزي «النوع 2» أو «النوع 4»، حيث يعمل نظام عصبي (LLM) طبقة الإدراك، ويعمل نظام رمزي (رسم معرفي/ حالّ منطق) طبقة الاستدلال. ³⁰ ويتيح لنا فصل الاهتمامات هذا الاستفادة من المرونة اللغوية لنماذج اللغة الكبيرة مع كبح نزعاتها العشوائية بمنطق صارم.

الطبقة 1: الإدراك العصبي (القارئ)

●​ الوظيفة: تبتلع بيانات غير منظَّمة (ملفات PDF، ملاحظات مكتوبة يدويًا، مختبرات ممسوحة، سرديات أطباء).

●​ التقنية: نماذج لغة كبيرة قائمة على المحوّل (مثل GPT-4 مخصَّص، أو Llama 3، أو تنويعات BioBERT خاصة بالمجال).

●​ الدور: لا يتخذ نموذج اللغة الكبيرة قرار الأهلية النهائي. ومهمته الوحيدة هي استخراج الكيانات والتطبيع . فيقرأ «pt complains of chest pain» ويحدّد الكيان ألم الصدر.

●​ الجدة: نستخدم «فك ترميز واعيًا بالمفهوم» حيث يُقيَّد نموذج اللغة الكبيرة ليخرج مصطلحات SNOMED CT المفضَّلة أو المعرّفات الصالحة، مما يقلل الهلوسة من المصدر. ¹³

الطبقة 2: الجسر الدلالي (المُعيِّن)

●​ الوظيفة: تعيّن الكيانات المستخرجة إلى الرسم البياني المعرفي المؤسسي.

●​ التقنية: قواعد بيانات متجهات مقترنة بعمليات بحث أنطولوجية وقواعد بيانات رسوم (مثل Neo4j).

●​ الدور: يحوّل كيان النص ألم الصدر إلى SCTID المحدد: 29857009. وهو يزيل الغموض عن المصطلحات بناءً على السياق (مثل التمييز بين «Cold» الفيروس و«Cold» درجة الحرارة) باستخدام بنية الرسم والعقد المجاورة.

الطبقة 3: الاستدلال الرمزي (المفكّر)

●​ الوظيفة: ينفّذ منطق الأهلية مقابل النمط الظاهري المنظَّم.

●​ التقنية: شبكات منطق احتمالي (PLN) أو حالّات منطق من الرتبة الأولى (مثل مستدلات بأسلوب Prolog) مدمجة مع الرسم البياني المعرفي. ³³

●​ الدور: تطبّق هذه الطبقة قواعد المنطق الواجبي. وتتحقق من علاقات Is-A في SNOMED (مثل: «هل CVC نوع فرعي من قسطرة القلب؟»). وتحسب المدد الزمنية. وهي حتمية —فبمدخلات نفسها، ستخرج دائمًا نتيجة الأهلية نفسها، موفِّرة قابلية التدقيق التي تتطلبها FDA وEMA. ¹³

5.2 «المنطقة الخضراء» للمنطق

كما يُوصف في أدبيات العصبي-الرمزي، نُدرج وحدة منطق (تُصوَّر كثيرًا كـ «منطقة خضراء» في الرسوم المعمارية) داخل حلقة المعالجة. وعندما يواجه النظام استعلامًا معقّدًا مثل «هل المريض مؤهل بناءً على معيار الاستبعاد 4؟»، فإن نموذج اللغة الكبيرة لا يهلوس إجابة. بل يفوّض الاستعلام إلى المستدل الرمزي. ويحسب المستدل الإجابة بناءً على حقائق وقواعد (مثل Patient_Has_Hypertension AND Medication_Is_Stable)، ويعيد النتيجة إلى نموذج اللغة الكبيرة للتركيب اللغوي الطبيعي. ³³

وتضمن هذه المقاربة الهجينة أن يكون «الاستدلال» سليمًا رياضيًا، بينما تبقى «الواجهة» حوارية ومتاحة للأطباء السريريين.

جدول 2: مقارنة مقاربات الذكاء الاصطناعي للتجارب السريرية

الميزة	نموذج لغة كبيرة قياسي (غلاف API)	ذكاء اصطناعي عصبي-رمزي (Veriprajna)
معالجة البيانات	تنبؤ رموز احتمالي	منطق حتمي + استخراج عصبي
مصطلحات مجهولة	يهلوس أو يفوت	يؤشّر للمراجعة البشرية (معتم مقابل شفاف)
الاستدلال	ارتباطات سطحية	استدلال متعدد القفزات عبر الرسم البياني المعرفي
قابلية التفسير	«صندوق أسود» (لا يستطيع الاستشهاد بمنطق المصدر)	أثر قابل للتدقيق بالكامل (براهين منطقية)
الدقة	~63-87% (متغيّرة)	>95% (شبه بشرية أو فوق بشرية)13
الخصوصية	مخاطر عالية لتسرب البيانات	يُعالَج المنطق محليًا/بأمان

مقارنة مؤسَّسة على مقاييس أداء من دراسات حديثة تقيّم الذكاء الاصطناعي في الرعاية الصحية. ²

6. GraphRAG للرسم البياني المعرفي: محرك السياق

لدعم المعمارية العصبية-الرمزية، تستخدم Veriprajna التوليد المعزَّز بالاسترجاع القائم على الرسم (GraphRAG) . فبينما يسترجع RAG التقليدي أجزاء وثائق بناءً على تشابه المتجهات، يسترجع GraphRAG المعلومات بناءً على العلاقات، مما يتيح للنظام أن «يربط النقاط» عبر سجل المريض بأكمله والمعرفة الطبية الخارجية. ³⁵

6.1 لماذا لا تكفي المتجهات

في نظام Vector RAG قياسي، إذا بحث باحث عن «الآثار الجانبية للدواء A»، فإن النظام يسترجع أجزاء وثائق تحتوي السلسلة «Drug A». غير أن بروتوكولات التجارب السريرية كثيرًا ما تستبعد المرضى بناءً على فئات أدوية أو آليات فعل.

مثال: يستبعد بروتوكول تجربة «أي دواء يتفاعل مع إنزيمات CYP3A4.» والمريض يتناول «Drug B.»

●​ إخفاق Vector RAG: إذا ذكر سجل EHR للمريض «Drug B» لكنه لا يصرّح صراحة بأن «Drug B مثبط لـ CYP3A4»، فقد يخفق بحث المتجهات في استرجاع السياق ذي الصلة. وقد يُدرج المريض خطأً.

●​ حل GraphRAG: يحتوي الرسم البياني المعرفي الثلاثية: (Drug B) --[inhibits]--> (CYP3A4). وعند فحص معايير الاستبعاد، يجتاز GraphRAG الرسم. وهو يحدّد Drug B كمادة محظورة حتى لو لم يقل النص ذلك صراحة . ³²

وهذه القدرة أساسية لتجارب «المظلة» أو «السلة» الحديثة التي تعتمد على تفاعلات واسمات حيوية ودوائية معقّدة. ويتيح GraphRAG للنظام أداء استرجاع متعدد القفزات، بالاجتياز من مريض -> دواء -> آلية -> معايير استبعاد، ضمانًا ألا يُفوَّت أي عامل استبعاد خفي.

6.2 «الدماغ الثاني» للصيدلة

تحوّل هذه المعمارية منصة الاستقطاب إلى «دماغ ثانٍ» للباحثين. ³⁸ وهي تتيح استعلامات لغة طبيعية معقّدة تتطلب استدلالًا على بنية البيانات، مثل: "جد مرضى لديهم تاريخ اعتلال عضلة القلب لكنهم لم يتلقوا أنثراسيكلينات."

ويفهم النظام عبر الرسم أن «Doxorubicin» هو-نوع-من أنثراسيكلين. ويمكنه على نحو صحيح استبعاد من تناولوا Doxorubicin، ضمانًا للسلامة والالتزام بالبروتوكول، بينما يدرج من تناولوا عوامل أخرى غير أنثراسيكلين. وهذا المستوى من التشغيل البيني الدلالي يتيح بناء أفواج ديناميكيًا وتحليل جدوى يتجاوز بكثير قدرات بنّائي الاستعلام التقليديين.

7. استراتيجية التنفيذ: من النظرية إلى المؤسسة

لا تقدّم Veriprajna واجهة برمجة «توصيل وتشغيل» بسيطة بل استراتيجية تكامل عميق. ويتطلب تنفيذ التنميط الظاهري الموجَّه بالأنطولوجيا تحولًا متعمَّدًا لبنية البيانات لضمان تغذية الذكاء الاصطناعي ببيانات منظَّمة عالية الجودة وأن مخرجاته مدمجة في سير العمل السريري.

7.1 التكامل مع CDISC وFHIR

صُمِّم نظامنا للتوافق مع معايير البيانات السريرية القائمة التي تشكّل عمود صناعة الأدوية الفقري.

●​ المدخل: نبتلع البيانات عبر HL7 FHIR (موارد التشغيل البيني السريع للرعاية الصحية) الموارد. ونعرب موارد Patient وCondition وProcedure وMedicationAdministration لملء الرسم البياني المعرفي.

●​ المخرج: نعيّن الأنماط الظاهرية مباشرة إلى معايير CDISC SDTM (نموذج جدولة بيانات الدراسة) ، وتحديدًا نطاق IE (اشتمال/استبعاد). ³⁹ وهذا يعني أن بيانات الاستقطاب التي يولّدها نظامنا ليست مجرد قائمة أسماء؛ بل بيانات تنظيمية منظَّمة، جاهزة للتقديم والتحليل من اليوم 1. وهذا يقلل عبء تنظيف البيانات والمصالحة في المراحل اللاحقة.

7.2 سير عمل الإنسان في الحلقة (HITL)

نناصر الذكاء المعزَّز، لا الأتمتة الكاملة. والهدف هو توسيع نطاق الخبير السريري، لا استبداله. ويتضمن المخرج العصبي-الرمزي «درجة ثقة» و «أثر استدلال» لكل قرار.

●​ ثقة عالية (حتمية): إذا كان المنطق واضحًا والبيانات غير ملتبسة (مثل مطابقة SCTID محددة)، يمكن للنظام المطابقة أو الاستبعاد تلقائيًا.

●​ ثقة منخفضة (نص ملتبس): إذا كان المنطق ضبابيًا أو النص غير واضح (مثل «تاريخ محتمل لـ...»)، يؤشّر النظام الحالة للمراجعة البشرية. والأهم أنه يبرز المعايير المحددة ومقتطف النص ذي الصلة الذي سبب الالتباس. وهذا العرض «مهضوم مسبقًا» يقلل الوقت الذي يحتاجه سريري لمراجعة ملف بنسبة تصل إلى 40%. ²

7.3 خصوصية البيانات والحوكمة

باستخدام معمارية عصبية-رمزية معيارية، تعالج Veriprajna الشاغل الأسمى لخصوصية البيانات. ويمكننا إبقاء بيانات المرضى داخل جدار الحماية الآمن للمستشفى (الطبقة «الرمزية» والرسم). ويمكن نشر الطبقة «العصبية» (LLM) كنموذج محلي مفتوح المصدر (مثل Llama 3 مضبوط لاستخراج طبي) داخل الجيب الآمن، أو استخدامها فقط لمعالجة نص منزوع الهوية. ⁴⁰ وهذا يضمن ألا تُعرَّض المعلومات الصحية المحمية (PHI) أبدًا لواجهات عامة أو تُستخدم لتدريب نماذج خارجية، ضمانًا للامتثال لـ GDPR وHIPAA وسياسات الحوكمة المؤسسية.

8. الخاتمة: توقفوا عن مطابقة الكلمات، وابدأوا مطابقة المرضى

لم يعد الاختناق في اكتشاف الأدوية هو العلم؛ بل النحو. فنحن نحاول الإبحار في تعقيدات البيولوجيا البشرية وبروتوكولات التجارب السريرية بأدوات صُمِّمت لبحث الوثائق. ويسفر هذا عدم التطابق عن مليارات الدولارات من القيمة الضائعة، وعمليات تجارب غير كفؤة، والأهم، أمل مؤجَّل لمرضى ينتظرون علاجات جديدة.

وخطأ «البزل الوريدي المركزي» مقابل «قسطرة القلب» ليس خللًا؛ بل هو عرض لعمى دلالي. وبتبنّي التنميط الظاهري الموجَّه بالأنطولوجيا، المؤسس على SNOMED CT، والمحكوم بـ المنطق الواجبي، والمدعوم بـ الذكاء الاصطناعي العصبي-الرمزي، يمكننا شفاء هذا العمى.

وتقدّم Veriprajna مسارًا بعيدًا عن هشاشة الاحتمال ونحو متانة المنطق. ونمكّن مؤسسات الأدوية من إيجاد المرضى المناسبين، للتجارب المناسبة، في الوقت المناسب—لا بالتخمين، بل بالاستدلال.

#Pharma #ClinicalTrials #HealthTech #AI #DrugDiscovery #NeuroSymbolicAI #SNOMEDCT

أبرز الخلاصات للمؤسسة

●​ الأثر المالي: يمكن أن يوفّر القضاء على تأخيرات الاستقطاب $800,000+ يوميًا في تكاليف فرصة ضائعة لأصول عالية القيمة.

●​ التفوق التقني: ينشئ الذكاء الاصطناعي العصبي-الرمزي مسارات استدلال حتمية قابلة للتدقيق لا تستطيع نماذج اللغة الكبيرة العامة توفيرها، وهي أساسية للامتثال التنظيمي.

●​ الدقة الدلالية: يمنع تكامل SNOMED CT الاستبعادات الكاذبة بفهم التسلسلات الهرمية الطبية (علاقات Is-A) والتمييز بين إجراءات متمايزة.

●​ الصرامة المنطقية: يعرب المنطق الواجبي على نحو صحيح جمل «ما لم» و«إلا» المعقّدة في بروتوكولات التجارب، منقذًا مرضى مؤهلين يُسقطهم المنطق البوليني.

●​ الميزة الاستراتيجية: يتيح GraphRAG قدرات «الدماغ الثاني»، رابطًا بيانات المرضى برسوم بيانية معرفية دوائية أوسع لمطابقة متفوقة و استدلال متعدد القفزات.

عن Veriprajna

Veriprajna استشارة برمجيات ذكاء اصطناعي متخصصة مكرَّسة لحل أصعب المشكلات في الصناعة الحيوية الدوائية عبر حلول الذكاء الاصطناعي العميق. ونتجاوز واجهات الغلاف لنبني معماريات عصبية-رمزية تفهم لغة الطب.

الأعمال المستشهد بها

1. AI Innovations in Clinical Trials: Speeding Drug Development - IntuitionLabs, تم الوصول إليه في 10 ديسمبر 2025, https://intuitionlabs.ai/pdfs/ai-innovations-in-clinical-trials-speeding-drug-development.pdf

2. AI model matches patients to trials almost as ... - Fierce Biotech, تم الوصول إليه في 10 ديسمبر 2025, https://www.fiercebiotech.com/cro/ai-model-matches-patients-clinical-trials-fast-human-only-slight-dip-accuracy

3. What clinical trial statistics tell us about the state of research today - Antidote.me, تم الوصول إليه في 10 ديسمبر 2025, https://www.antidote.me/blog/what-clinical-trial-statistics-tell-us-about-the-state-of-research-today

4. Quantifying the Value of a Day of Delay in Drug Development | Tufts CSDD | White Papers, تم الوصول إليه في 10 ديسمبر 2025, https://csdd.tufs.edu/sites/default/ft iles/2025-02/Aug2024%20Day%20of%20Dela y%20White%20Paper%20Final.pdf?1763577702

5. The Cost of Delay: Quantifying the Financial Impact of Inefficient Clinical Trial Start-Up - Blog, تم الوصول إليه في 10 ديسمبر 2025, https://blog.td2inc.com/quantifying-the-financial-impact-of-inefficient-clinical-trial-start-up

6. How to Avoid Costly Clinical Research Delays - MESM Ltd, تم الوصول إليه في 10 ديسمبر 2025, https://www.mesm.com/blog/tips-to-help-you-avoid-costly-clinical-research-delays/

7. AI's Symbiotic Impact on Drug Development and Patient Experience in Global Pharma and Biotech - Eglobalis, تم الوصول إليه في 10 ديسمبر 2025, https://www.eglobalis.com/ais-symbiotic-impact-on-drug-development-and-patient-experience-in-global-pharma-and-biotech/

8. Why Time Is The Most Expensive Resource In Clinical Trials—And How To Make Every Second Count - Leapcure, تم الوصول إليه في 10 ديسمبر 2025, https://blog.leapcure.com/why-time-is-the-most-expensive-resource-in-clinical-trials-and-how-to-make-every-second-count/

9. 2020 AHA/ACC Key Data Elements and Definitions for Coronary Revascularization: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Data Standards (Writing Committee to Develop Clinical Data Standards for Coronary Revascularization) | Circulation: Cardiovascular Quality and Outcomes - American Heart Association Journals, تم الوصول إليه في 10 ديسمبر 2025, https://www.ahajournals.org/doi/10.1161/HCQ.0000000000000059

10. coronary artery disease - efo - EMBL-EBI, تم الوصول إليه في 10 ديسمبر 2025, https://www.ebi.ac.uk/efo/EFO_0001645

11. Femoral Vein Morphometry in Children - Clinics in Surgery, تم الوصول إليه في 10 ديسمبر 2025, https://www.clinicsinsurgery.com/open-access/femoral-vein-morphometry-in-children-9466.pdf

12. Clinical validation of the diagnosis adverse location of peripherally inserted central catheter in neonatology - ResearchGate, تم الوصول إليه في 10 ديسمبر 2025, https://www.researchgate.net/publication/394290075_Clinical_validation_of_the_diagnosis_adverse_location_of_peripherally_inserted_central_catheter_in_neonatology

13. Neuro-symbolic AI for auditable cognitive information extraction from medical reports - PMC, تم الوصول إليه في 10 ديسمبر 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12638795/

14. Ethics in Digital Health: a deontic accountability framework - ResearchGate, تم الوصول إليه في 10 ديسمبر 2025, https://www.researchgate.net/profile/Zoran-Milosevic-3/publication/338253522_Ethics_in_Digital_Health_A_Deontic_Accountability_Framework/links/60684b5c299bf1252e24e182/Ethics-in-Digital-Health-A-Deontic-Accountability-Framework.pdf

15. UNIVERSIDADE FEDERAL DE MINAS GERAIS ESCOLA DE CIÊNCIA DA INFORMAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM GESTÃO & ORGANIZAÇ ResearchGate, تم الوصول إليه في 10 ديسمبر 2025, https://www.researchgate.net/profile/Jeanne-Emygdio/publication/361670001_INTEROPERABILIDADE_SEMANTICA_ORIENTADA_POR_ONTOLOGIA_PARA_A_CIENCIA_DA_INFORMACAO_a_metodologia_Onto4All-Interoperability_como_resultado_de_estudo_de_caso_no_dominio_de_energia/links/62bf12083d26d6389e899f87/INTEROPERABILIDADE-SEMANTICA-ORIENTADA-POR-ONTOLOGIA-PARA-A-CIENCIA-DA-INFORMACAO-a-metodologia-Onto4All-Interoperability-como-resultado-de-estudo-de-caso-no-dominio-de-energia.pdf

16. cohort identification from free-text clinical notes using - Carolina Digital Repository, تم الوصول إليه في 10 ديسمبر 2025, https://cdr.lib.unc.edu/downloads/9p290k671

17. Aligning an administrative procedure coding system with SNOMED CT open.trinetx, تم الوصول إليه في 10 ديسمبر 2025, https://open.trinetx.com/wp-content/uploads/sites/2/2020/06/OPS-SNOMED-FINAL1.pdf

18. 37.22 Left heart cardiac cath - ICD-9-CM Vol. 3 Procedure Codes, تم الوصول إليه في 10 ديسمبر 2025, https://www.findacode.com/icd-9/37-22-left-heart-cardiac-catheterization-icd-9-procedure-code.html

19. 392230005 - Browse Code Systems - NIH, تم الوصول إليه في 10 ديسمبر 2025, https://vsac.nlm.nih.gov/context/cs/codesystem/SNOMEDCT/version/2020-03/code/392230005/info

20. coronary artery disease [EFO:0001645](Polygenic Trait) - PGS Catalog، تم الوصول إليه في 10 ديسمبر 2025، https://www.pgscatalog.org/trait/EFO_0001645/

21. Coronary artery disorder (Concept Id: C1956346) - NCBI, تم الوصول إليه في 10 ديسمبر 2025, https://www.ncbi.nlm.nih.gov/medgen/365486

22. The CORE Problem List Subset of SNOMED CT - National Library of Medicine, تم الوصول إليه في 10 ديسمبر 2025, https://www.nlm.nih.gov/research/umls/Snomed/core_subset.html

23. Fundamentals of Clinical Data Science - OAPEN Library, تم الوصول إليه في 10 ديسمبر 2025, https://library.oapen.org/bitstream/handle/20.500.12657/22918/1007243.pdf

24. Deontic Logic - Stanford Encyclopedia of Philosophy, تم الوصول إليه في 10 ديسمبر 2025, https://plato.stanford.edu/entries/logic-deontic/

25. Ten Philosophical Problems in Deontic Logic - ICR, تم الوصول إليه في 10 ديسمبر 2025, https://icr.uni.lu/leonvandertorre/papers/normas07b.pdf

26. NCT03574363 | Phase 2b Study of KBP-5074 in Subjects With Uncontrolled Hypertension and Advanced Chronic Kidney Disease | ClinicalTrials.gov، تم الوصول إليه في 10 ديسمبر 2025، https://clinicaltrials.gov/study/NCT03574363

27. Characteristics of Populations Excluded From Clinical Trials Supporting Intensive Blood Pressure Control Guidelines - NIH, تم الوصول إليه في 10 ديسمبر 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC8174340/

28. Temporal Ensemble Logic for Integrative Representation of the Entirety of Clinical Trials - DROPS, تم الوصول إليه في 10 ديسمبر 2025, https://drops.dagstuhl.de/storage/00lipics/lipics-vol355-time2025/LIPIcs.TIME.2025.13/LIPIcs.TIME.2025.13.pdf

29. Excluding People With Disabilities From Clinical Research: Eligibility Criteria Lack Clarity And Justification | Health Affairs, تم الوصول إليه في 10 ديسمبر 2025, https://www.healthafairs.org/doi/10.1377/hlthaff .2022.00520f

30. Type 4 neuro-symbolic AI system with explicit mapping. This figure... ResearchGate, تم الوصول إليه في 10 ديسمبر 2025, https://www.researchgate.net/figure/Type-4-neuro-symbolic-AI-system-with-explicit-mapping-This-figure-shows-a-structure_fig11_381230747

31. The Emerging Field of Neuro-Symbolic AI: An Introduction - Ultralytics, تم الوصول إليه في 10 ديسمبر 2025, https://www.ultralytics.com/blog/an-introduction-to-the-emerging-field-of-neuro-symbolic-ai

32. Understanding GraphRAG: How Does It Compare with RAG? - Charter Global, تم الوصول إليه في 10 ديسمبر 2025, https://www.charterglobal.com/what-is-graphrag/

33. Avoiding LLM Hallucinations: Neuro-symbolic AI and other Hybrid AI approaches, تم الوصول إليه في 10 ديسمبر 2025, https://www.cotacapital.com/knowledge-base/avoiding-llm-hallucinations-neuro-symbolic-ai-and-other-hybrid-ai-approaches/

34. Explainable Diagnosis Prediction through Neuro-Symbolic Integration - PMC NIH, تم الوصول إليه في 10 ديسمبر 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12150699/

35. Graph RAG: Frameworks, Tools & Use Cases Explained - Chitika, تم الوصول إليه في 10 ديسمبر 2025, https://www.chitika.com/graph-based-retrieval-augmented-generation/

36. What Is GraphRAG? - Neo4j, تم الوصول إليه في 10 ديسمبر 2025, https://neo4j.com/blog/genai/what-is-graphrag/

37. GraphRAG: Practical Guide to Supercharge RAG with Knowledge Graphs LearnOpenCV, تم الوصول إليه في 10 ديسمبر 2025, https://learnopencv.com/graphrag-explained-knowledge-graphs-medical/

38. Pharma Knowledge Management: Building a "Second Brain" with AI | IntuitionLabs, تم الوصول إليه في 10 ديسمبر 2025, https://intuitionlabs.ai/articles/pharma-knowledge-management-second-brain

39. CDASHIG v2.0 - CDISC, تم الوصول إليه في 10 ديسمبر 2025, https://www.cdisc.org/standards/foundational/cdash/cdashig-v2-0

40. Am I eligible? Natural Language Inference for Clinical Trial Patient Recruitment: the Patient's Point of View - arXiv, تم الوصول إليه في 10 ديسمبر 2025, https://arxiv.org/html/2503.15718v1