מעבר לתחביר: הצורך ב בינה מלאכותית נוירו־סימבולית ובפנוטיפינג מונחה־אונטולוגיה בגיוס למחקרים קליניים

1. המשבר הכלכלי והקליני של כשל הגיוס

תעשיית התרופות ניצבת בצומת רעוע של מדע חסר תקדים יכולת וחוסר יעילות תפעולית שאינו בר־קיימא. בעוד שמנגנוני גילוי התרופות עברו מהפכה בזכות סריקה בתפוקה גבוהה, ביולוגיה גנרטיבית ו כימיה חישובית, מנגנון האימות הקליני נותר כבול ל תהליכים ארכאיים המאיימים על הכדאיות הכלכלית של טיפולים מודרניים. תופעת "חוק Eroom" —התצפית שגילוי תרופות הולך ונעשה איטי ויקר יותר עם הזמן, ביחס הפוך לשיפורים בצפיפות הטרנזיסטורים—אינה כשל של המדע, אלא כשל של תהליך. ¹ בלב המשבר התפעולי הזה שוכנת החוסר־יכולת המתמשכת לזהות ולגייס ביעילות מטופלים כשירים למחקרים קליניים.

ניתוח עכשווי מצביע על כך שרובם המכריע של המחקרים הקליניים—כ־ 80%—אינם עומדים בלוחות הזמנים של הגיוס. ² סטטיסטיקה זו אינה רק מדד של עיכוב; היא כמת של חדשנות שאבדה ותקווה שנדחתה. כאשר הגיוס נתקע, צינור התרופה כולו משתק, ויוצר כשל מדורג שפוגע בתשואות פיננסיות, בלוחות זמני אישור רגולטורי, ובעיקר בגישת מטופלים לטיפולים מציל־חיים. ה גישה הנוכחית של התעשייה לצוואר הבקבוק הזה, המאופיינת לעיתים קרובות בהפעלת מפרסרי PDF גנריים ובהתאמת מילות מפתח מסוג "Ctrl+F", מייצגת אי־הבנה יסודית של הבעיה. אנו מנסים לרפא סרטן באמצעות תחביר, כאשר הריפוי טמון בסמנטיקה.

1.1 החשבון הפיננסי של השהיה

זמן הוא המשאב היקר ביותר במערכת האקולוגית הפרמצבטית. בענף הכפוף לחלונות בלעדיות פטנט, כל יום שאבד בפיתוח קליני הוא יום שמנוכה מתקופת שיא ייצור ההכנסות. ההשפעה הפיננסית של עיכובי מחקר חורגת הרבה מעבר לקצב השריפה התפעולי המיידי; היא שוחקת את הערך הנוכחי הנקי (NPV) של הנכס ומשנה מהיסוד את פרופיל התשואה על ההשקעה (ROI) של תיק המחקר.

מחקר שערך Tufts Center for the Study of Drug Development (CSDD) מספק כימות חמור ומדוקדק של עלות זו. בעוד שהערכות היסטוריות משנות ה־1990 לעיתים ציינו טווח רחב של 600,000$ עד 8 מיליון דולר ליום עיכוב, ניתוחים מעודכנים שכוונו ל נוף הכלכלי של 2024-2025 מספקים תמונה מדויקת ומדאיגה יותר. הערך של יום אחד של עיכוב בפיתוח תרופה מוערך כיום בכ־ 800,000$ ב מכירות מרשם שאבדו עבור נכס ממוצע בעל ביצועים גבוהים. ⁴

עם זאת, ממוצע זה מסתיר את התנודתיות הקיצונית בתחומים טיפוליים בעלי ערך גבוה. להתוויות בלוקבסטר באונקולוגיה, במחלות לב וכלי דם או בהמטולוגיה, עלות ההשהיה גבוהה משמעותית. טיפולים אונקולוגיים נישתיים, המכוונים לעיתים לסמנים גנטיים ספציפיים ומצריכים התאמת מטופלים מדויקת, ניצבים בפני לחץ תחרותי עז. עיכוב של חודשים בודדים יכול להוביל לכניסה של "שני לשוק", שעשויה לעלות מיליארדים בנתח שוק שאבד לאורך מחזור חיי המוצר. ⁵

העלויות התפעוליות לבדן—ההוצאה הישירה על השארת אתרי מחקר פתוחים, ניטור נתונים, ואחזקת חוזי CRO—מוסיפות כ־40,000$ ליום במחקרי שלב II ו־III. ⁴ ועם זאת, העלות האמיתית היא עלות ההזדמנות. בהתוויות תחרותיות כמו סרטן ריאה של תאים לא־קטנים (NSCLC) או לוקמיה מיאלואידית חריפה (AML), מספר נכסים מתחרים לעיתים קרובות אל אותו קו סיום רגולטורי. הנכנס הראשון תופס בדרך כלל את רוב נתח השוק ו מבסס את סטנדרט הטיפול. להיות שני, בשל עיכובי גיוס, הופך תרופה שעדיפה מדעית לבלתי־כדאית מסחרית.

טבלה 1: ההשפעה הפיננסית של עיכובי מחקרים קליניים לפי תחום טיפולי

תחום טיפולי	מכירות אבודות חציוניות ל יום עיכוב (דולר ארה״ב 2023)	מקדם מורכבות תפעולית
קרדיווסקולרי	1.4 מיליון דולר	גבוה (עוקבות גדולות, ניטור מורכב)
המטולוגיה	1.3 מיליון דולר	גבוה (אתרים מתמחים, פנוטיפים נדירים)
אונקולוגיה	840,000$	גבוה מאוד (סריקה גנטית, החרגות מורכבות)
מערכת העצבים המרכזית	משתנה	בינוני עד גבוה (נקודות קצה סובייקטיביות)

נתונים שמקורם בדוח ההשפעה של Tufts CSDD ובניתוחים פיננסיים נלווים. ⁴

המציאות הפיננסית הזו יוצרת הכרח ליעילות שלא ניתן לספק באמצעות תהליכים ידניים או אוטומציה גנרית. ההבדל בין מחקר שמגייס בזמן לבין מחקר שמתעכב שישה חודשים הוא לעיתים ההבדל בין נכס רווחי למחיקה חשבונאית.

1.2 צוואר הבקבוק התפעולי: משפך כשל הסינון

משבר הגיוס אינו מוגדר רק בחוסר מטופלים, אלא בחוסר היעילות של משפך הסינון. התעשייה אינה סובלת ממחסור בשכיחות מחלה; היא סובלת ממחסור בכשירות ניתנת לזיהוי. מוערך כי 37% מאתרי המחקר מגייסים בחסר, ומספר מדהים של 11% אינם מגייסים אף מטופל אחד . ³ חוסר יעילות זה נובע בעיקר משיעורי כשל סינון גבוהים, שבהם מטופלים מזוהים כמועמדים פוטנציאליים על סמך קריטריונים שטחיים אך נדחים בסופו של דבר לאחר סקירה ידנית יקרה וגוזלת־זמן .

עלות כשל סינון משמעותית, וממוצעת כ־ 1,200$ לכשל בכל הענף. ³ עלות זו כוללת את זמנם של רכזי האתר, את הוצאות הבדיקות הראשוניות, ואת הנטל המנהלי של עיבוד נתוני המטופל. כאשר מערכות אוטומטיות מייצרות נפחים גבוהים של חיובי־שווא—מטופלים שנראים כשירים על סמך מילות מפתח אך אינם כשירים לפי לוגיקה קלינית—הן סותמות את משפך הגיוס.

תופעה זו יוצרת מתקפת "מניעת שירות" על אתרי מחקר קליני. רכזי האתר, שכבר עמוסים במשימות מנהליות, מוצפים ברשימות של "התאמות פוטנציאליות" שנוצרו בכלי AI בעלי נאמנות נמוכה. אם כלי מספק 100 מועמדים אך רק 5 כשירים באמת, הרכז יאבד במהירות אמון במערכת ויחזור לשיטות ידניות. הפרדוקס הזה—שיותר אוטומציה יכולה להוביל לפחות יעילות—הוא תוצאה ישירה של "פער הדיוק" בטכנולוגיות ההתאמה הנוכחיות.

יתר על כן, המורכבות הגוברת של פרוטוקולי מחקר מחריפה את הבעיה. פרוטוקולים מודרניים אינם עוד רשימות פשוטות של קריטריוני הכללה והחרגה. הם מבנים לוגיים מורכבים המכילים עשרות סעיפים מותנים, תלויות זמן (למשל, "אין חשיפה קודמת לתרופה X בתוך 6 חודשים אלא אם הקשר Y"), ודרישות סמנים ביולוגיים סבוכות. מגייסים אנושיים, מותשים מנפחים גבוהים של נתוני EHR, ומפרסרי AI גנריים, חסרי חשיבה זמנית ואונטולוגית, מתקשים ליישם את הקריטריונים האלה בעקביות. ⁶

1.3 ההכרח האנושי והאתי

מעבר למדדים הפיננסיים שוכן ההכרח האתי של מחקר קליני. עיכובים ב גיוס מתורגמים ישירות לעיכובים באישור רגולטורי. עבור מטופלים עם מצבים מתקדמים כגון סרטן גרורתי, מחלות ניוון עצבי או הפרעות גנטיות נדירות, עיכוב של שישה חודשים בהקמת מחקר או בשלב הגיוס אינו סטטיסטיקה; זהו פרק זמן משנה־חיים. הוא יכול להיות ההבדל בין גישה לטיפול שעשוי לרפא לבין קבלת טיפול פליאטיבי. ⁷

סטנדרט הטיפול הנוכחי לגיוס כולל סריקה ידנית של רשומות רפואיות ב־PDF או שימוש בחיפושי מילות מפתח גולמיים מסוג "Ctrl+F" לאיתור מטופלים. גישה זו מוטה מטבעה נגד מטופלים מורכבים. היא מעדיפה מי שיש להם היסטוריות פשוטות ומתועדות בבירור ו מדירה את אלה שכשירותם קבורה בהערות לא־מובנות או בלוגיקה מותנית מורכבת. בכך שאיננו מזהים במדויק מטופלים כשירים, אנו לא רק מעכבים תרופות; אנו שוללים גישה.

נייר עמדה זה טוען שהפתרון למשבר דורש שינוי יסודי באופן שבו אנו מעבדים נתונים קליניים. עלינו לעבור מעיבוד טקסט סטוכסטי אל מונחה־אונטולוגיה פנוטיפינג . עלינו להחליף את ההסתברות של ה־LLM בוודאות של פותר הלוגיקה. Veriprajna ממקמת את עצמה בחוד החנית של המעבר הזה, תוך מינוף בינה מלאכותית נוירו־סימבולית כדי לגשר על הפער בין שפת הטיפול הלא־מובנית לבין הלוגיקה המחמירה של המחקר.

2. כשל התחביר: מדוע מפרסרי PDF ו־AI גנרי מחטיאים את המטרה

תעשיית התרופות ניסתה לפתור את צוואר הבקבוק בגיוס באמצעות עיבוד שפה טבעית (NLP) יותר מעשור. אולם מאמצים מוקדמים הסתמכו בעיקר על גישות מבוססות־תחביר —התאמת מילות מפתח, ביטויים רגולריים וחיפוש בוליאני של מחרוזות—או, לאחרונה, יצירה הסתברותית באמצעות מודלי שפה גדולים (LLMs) כמו GPT-4 או Claude. שתי הגישות, אף שהן נבדלות טכנית, חולקות מצב כשל משותף ב הקשר של מחקרים קליניים: חסר להן דיוק סמנטי .

2.1 כשל "צנתור לב" מול "ניקור ורידי מרכזי" הטעות

כדי להבין את הכשל העמוק של התאמה מבוססת־תחביר, עלינו לבחון תרחיש קליני ספציפי שמדגיש את היעדר העיגון האונטולוגי ב־AI גנרי. דוגמה זו אינה מקרה קצה; היא מייצגת מחלקת שגיאות שחודרת למערכות גיוס אוטומטיות.

שקלו פרוטוקול מחקר קליני לנוגד־קרישה חדשני שמפרט במפורש "צנתור לב" כקריטריון החרגה. ההיגיון הרפואי תקין: צנתור לב כולל העברת צנתר אל חדרי הלב או העורקים הכליליים כדי להעריך תפקוד או לטפל בחסימה. ⁹ זהו הליך לב פולשני בסיכון גבוה שמשתמע ממנו חוסר יציבות קרדיווסקולרית לאחרונה, מה שהופך את המטופל לבלתי מתאים לפרופיל הבטיחות של המחקר.

כעת, שקלו מטופל שרשומתו הרפואית האלקטרונית (EHR) מכילה הערת רופא המתארת "ניקור ורידי מרכזי" (לעיתים קרובות להצבת צנתר ורידי מרכזי או CVC). הליך זה כולל גישה לווריד ראשי (הצווארי הפנימי, התת־בריחי, או הפמורלי) למתן תרופה, נוזלים או ניטור לחץ ורידי מרכזי. ¹¹ אף שהוא פולשני, זהו הליך גישה וסקולרית, המבוצע לעיתים ליד המיטה בטיפול נמרץ, והוא נבדל מהיסוד מצנתור לב ביעד אנטומי, בהשפעה פיזיולוגית ובפרופיל הסיכון.

מצב הכשל של AI גנרי:

1.​ ערבוב מילות מפתח: אלגוריתם התאמת מילות מפתח סטנדרטי—או LLM שקיבל הנחיה גרועה הפועל על דמיון וקטורי—סורק את רשומת המטופל. הוא מזהה מונחים כמו "צנתר," "ורידי," "ניקור," ופוטנציאלית "לב" (אם ה־CVC הוצב ב יחידת טיפול לב או CCU).

2.​ קרבה וקטורית: במרחב הסמוי רב־הממדים של מודל שיבוץ גנרי, "צנתור לב" ו"צנתור ורידי מרכזי" ממוקמים קרוב זה לזה. שניהם הליכים רפואיים; שניהם כוללים צנתרים; שניהם כוללים את המערכת הוסקולרית. המודל הגנרי, בהיעדר אונטולוגיה רפואית נוקשה, מערבב ביניהם על סמך דמיון נושאי.

3.​ החרגת שווא: ה־AI מסיק שהמטופל עבר את ההליך הקשור ללב שהוחרג. הוא מסמן את המטופל כלא־כשיר.

4.​ תוצאה: מטופל כשיר אובד למחקר. רכז האתר לעולם אינו רואה מטופל זה, או גרוע מכך, רואה דחיית שווא ומאבד אמון בכלי.

זו אינה שגיאה היפותטית. מחקרים עדכניים שהעריכו מודלי AI להתאמת מחקרים זיהו מצבי כשל ספציפיים שבהם מודלים מסיקים בטעות ש"צנתור לב זהה לניקור ורידי מרכזי," מה שמוביל להחרגה שגויה. ² שגיאה זו נובעת מהיעדר הבחנה אונטולוגית ; ה־AI יודע שהמילים קשורות, אך הוא אינו יודע כיצד הן נבדלות.

2.2 מגבלות LLM הסתברותיים בקבלת החלטות בסיכון גבוה

הופעת הבינה המלאכותית הגנרטיבית הובילה חלק לחשוב ש"הנחיות טובות יותר" יפתרו את הבעיה. אולם מודלי שפה גדולים סובלים ממגבלות מבניות מובנות כשהם מיושמים על הדרישות הדטרמיניסטיות של פרוטוקולי מחקרים קליניים. בסביבות בריאות בסיכון גבוה, אופי "הקופסה השחורה" של רשתות עצביות מציב שלושה חסמים קריטיים:

1.​ היעדר דטרמיניזם: LLMs הם מנועים הסתברותיים שנועדו לחזות את הטוקן הסביר הבא. הם אינם מנועי לוגיקה. LLM עשוי לזהות נכון מטופל ככשיר ב הרצה אחת וכלא־כשיר בהרצה הבאה, על סמך שינויים קלים בהנחיה, ב הגדרת הטמפרטורה או בחלון ההקשר הסובב. מחקרים קליניים דורשים 100% שובלי ביקורת ניתנים לשחזור ; הרגולטורים חייבים לדעת במדויק מדוע מטופל נכלל או הוחרג. ¹³

2.​ אי־יכולת לאמת אמת (בעיית ההלוצינציה): LLMs אינם מאמתים עובדות מול מסד נתוני אמת יסודית אלא אם כן תוכננו במפורש לעשות זאת. אם הערת מטופל עמומה, LLM עלול להזות אבחנה כדי למלא את הפער, "להמציא" תחלואה נלווית שמחריגה את המטופל או, מסוכן יותר, להמציא אישור שכולל מטופל לא־כשיר.

3.​ דליפות פרטיות וממשל: שליחת נתוני מטופל לא־מובנים לממשקי API ציבוריים של מודלים מעוררת חששות HIPAA/GDPR משמעותיים. אף שקיימים מופעים ארגוניים, ה ארכיטקטורה הבסיסית של פרמטרים עצומים המתקשרים עם נתוני בריאות פרטיים דורשת ארכיטקטורות משמרות־פרטיות שממשקי wrapper לעיתים קרובות אינם מספקים. ¹³

ה"עמדה החדה" שמניעה את הפילוסופיה של Veriprajna מעוגנת במציאות הזו: התעשייה מנסה לפתור בעיית לוגיקה (כשירות) בכלי הסתברות (LLMs). הפתרון דורש מעבר מהסתברות להוכחיות.

3. פנוטיפינג מונחה־אונטולוגיה: יתרון SNOMED CT

כדי לפתור את כשל התחביר ואת סיכוני ההסתברות, Veriprajna תומכת ב ומיישמת פנוטיפינג מונחה־אונטולוגיה . גישה זו משנה מהיסוד את המשימה מקריאת מילים למיפוי מושגים רפואיים מתוקננים. אנו משתמשים ב־SNOMED CT (Systematized Nomenclature of Medicine -- Clinical Terms), הטרמינולוגיה הקלינית המקיפה ביותר בעולם הרב־לשונית לבריאות, כדי לספק את "אמת היסוד" לבינה המלאכותית שלנו. ¹⁵

3.1 כוח ההיררכיה (יחסי Is-A)

SNOMED CT אינו מילון בלבד; זו אונטולוגיה רב־היררכית המובנית כ גרף מכוון חסר מעגלים (DAG). מושגים מקושרים ביחסים לוגיים, ובראשם יחס Is-A (תת־סוג). מבנה זה מאפשר ל־AI להבין גרעיניות, הורשה, והקשר אנטומי באופן שרשימות מילות מפתח שטוחות אינן יכולות.

בחזרה לדוגמת "צנתור לב", מערכת מודעת־SNOMED מבינה את ההיררכיות הנבדלות הבאות:

היררכיה A: יעד ההחרגה

●​ מושג: Cardiac catheterization (procedure)

○​ הורה: Procedure on heart (procedure) ○​ הורה: Invasive procedure (procedure) ○​ בן: Coronary angiography (procedure) ○​ בן: Left heart catheterization (procedure) ¹⁸

היררכיה B: אירוע המטופל

●​ מושג: Central venous catheterization (procedure)

○​ הורה: Catheterization of vein (procedure) ​¹⁹

○​ הורה: Insertion of vascular catheter (procedure)

○​ בן: Insertion of peripherally inserted central catheter (procedure)

מנוע החשיבה: כאשר הפרוטוקול מחריג "צנתור לב", ה־AI מונחה־האונטולוגיה אינו מחפש את המילים "cardiac" או "catheter." הוא מבצע שאילתה סמנטית על הגרף: האם ההליך של המטופל (SCTID: 392230005) הוא תת־סוג של קריטריון ההחרגה (SCTID: 41976001)? ההיררכיה של SNOMED עונה לא . המושגים קיימים בענפים שונים של עץ ההליכים (לב מול וריד). ה־AI קובע באופן דטרמיניסטי שהמטופל כשיר לגבי קריטריון זה. ² לוגיקה זו מחזיקה גם אם הרופא כתב "Central Line Placement" או "CVC Insertion," משום ששכבת חילוץ הישויות ממפה את כל המילים הנרדפות ל־SCTID הנכון לפני שמתבצעת בדיקת הלוגיקה.

3.2 פתרון בעיית הסינונימיה והגרעיניות

תיעוד רפואי גדוש במילים נרדפות, ראשי תיבות וברמות גרעיניות משתנות. רופא עשוי לכתוב "Heart Cath," "Angio," "Coronary Angiography," או "LHC" (Left Heart Cath). חיפוש מילות מפתח צריך להיות מקודד עם כל וריאציה אפשרית, ועדיין יחמיץ ניסוחים חדשים.

SNOMED CT מטפל בכך באמצעות סינונימיה וקביעות מושג . המושג Coronary artery disease ממופה אוטומטית ל־"CAD," "Coronary arteriosclerosis," "Arteriosclerotic heart disease," ועשרות וריאנטים אחרים. ²⁰ ה־AI שלנו מחלץ את מזהה המושג (SCTID), לא את המחרוזת. ברגע שהטקסט מומר ל־SCTID, העמימות נעלמת. ההתאמה מתבצעת מושג־אל־מושג, לא מילה־אל־מילה.

יתר על כן, SNOMED CT מאפשר תיאום־מאוחר, שבו ניתן לזקק מושגים באמצעות תכונות. לדוגמה, "אבן כליה שמאלית" אינה רק מחרוזת; זהו המושג Kidney stone מזוקק בתכונת צדדיות Left. ²² זה מאפשר ל־AI להתאים מול פרוטוקולים ש מציינים צדדיות או חומרה (למשל, "החריגו מטופלים עם מחלת כליות דו־צדדית") ב דיוק מתמטי.

3.3 בניית הפנוטיפ החישובי

על ידי צבירת SCTIDs אלה מהטקסט הלא־מובנה, אנו בונים "פנוטיפ חישובי" של המטופל. פנוטיפ זה הוא קבוצה מובנית של קודים המייצגת את מצבו הקליני המדויק של המטופל, תוך הבחנה בין:

●​ אבחנה (הפרעה): למשל, Malignant tumor of lung

●​ הליך: למשל, Lobectomy of lung

●​ ממצא: למשל, Mass in lung

הבחנה זו קריטית. "ממצא" של גוש אינו זהה ל"אבחנה" של סרטן. חיפוש מילות מפתח ל־"lung mass" עלול להחריג מטופל ממחקר מתנדבים בריאים, או לכלול אותו בטעות במחקר סרטן. פנוטיפינג מונחה־אונטולוגיה מכבד את ההבחנה בין מצב חשוד לאבחנה מאושרת. ¹⁶

4. לוגיקת ההחרגה: חשיבה דאונטית ב קריטריוני כשירות

בעוד ש־SNOMED CT מטפל ב־מה (המושגים הרפואיים), לוגיקה דאונטית מטפלת ב־איך (כללי המעורבות). קריטריוני מחקר קליני לעיתים רחוקות הם הצהרות בוליאניות פשוטות (נוכחות/היעדרות). הם הצהרות נורמטיביות מורכבות השולטות במה שחובה (חייב להיות), מותר (יכול להיות), או אסור (אסור שיהיה). ²⁴

4.1 המורכבות של "אלא אם": ניתוח סעיפי חריג

נקודת כשל מרכזית ל־AI גנרי היא "סעיף החריג." פרוטוקולי מחקר כוללים לעיתים קרובות קריטריוני החרגה מותנים. שקלו את קריטריון ההחרגה הסטנדרטי הבא ב מחקרים אונקולוגיים:

"יש להחריג מטופלים עם יתר לחץ דם, אלא אם הוא מאוזן היטב על יציב טיפול במשך לפחות 3 חודשים."

מתאם מילות מפתח רואה "hypertension" ומחריג את המטופל. מסנן בוליאני סטנדרטי עשוי לראות "hypertension = TRUE" ולהחריג. שניהם מובילים לאובדן מטופל כשיר שיש לו את המחלה אך עומד בקריטריונים להשתתפות.

ניתוח לוגיקה דאונטית: ה־AI של Veriprajna מנתח משפט זה באמצעות אופרטורים דאונטיים:

●​ איסור ($F$): קיום יתר לחץ דם ($H$).

●​ חריג/היתר ($P$): יתר לחץ דם ($H$) וגם מאוזן ($C$) וגם יציב ($S$).

הניסוח הלוגי הופך לפונקציה מותנית:

$$\text{Status}(x) = \begin{cases} \text{Eligible} & \text{if } \neg H(x) \lor (H(x) \wedge C(x) \wedge S(x)) \\ \text{Excluded} & \text{if } H(x) \wedge (\neg C(x) \lor \neg S(x)) \end{cases}$$ ה־AI שלנו מנתח לאחר מכן את האילוצים הזמניים ("לפחות 3 חודשים") ואת הסטטוס הקליני ("מאוזן" מוגדר לפי BP < 140/90 mmHg או היסטוריית טיפול יציבה). ²⁶ הוא מזהה מטופלים שיש להם את המחלה אך מחזיקים בהיתר הדאונטי להשתתף.

4.2 טיפול ב־"לא X אלא אם Y": מצבים קליניים סותרים

דפוס נפוץ נוסף כולל מצבים קליניים סותרים או טיפולים קודמים.

"אסור שמטופלים יקבלו כימותרפיה קודמת, אלא אם הייתה ניאו־אדג'ובנטית

שהושלמה לפני > 6 חודשים."

כאן על ה־AI לאמת בו־זמנית:

1.​ אירוע: מתן כימותרפיה (בדרך כלל החרגה).

2.​ הקשר (כוונה): האם הייתה ניאו־אדג'ובנטית? (דורש הבנת ה־כוונה של הטיפול).

3.​ זמני: האם הסתיים > 6 חודשים לפני Date_Current?

אנו מיישמים זאת באמצעות לוגיקת אנסמבל זמנית (TEL), צורה מתמחה של לוגיקה זמנית המאפשרת למערכת למדל את ציר הזמן של המחקר ולמקם אירועי מטופל בתוך חלונות תצפית תקפים. ²⁸ המערכת יוצרת ציר זמן של היסטוריית המטופל, מסמנת את אירוע הכימותרפיה, בודקת את תכונתו (ניאו־אדג'ובנטית), ומודדת את הדלתא $t$ מול תאריך הייחוס. ניתוח לוגי מחמיר זה מציל מטופלים כשירים שחיפושי מילות מפתח פוסלים בשל עצם אזכור "chemotherapy" בהיסטוריה שלהם.

4.3 מדוע "התחילו להתאים מטופלים" פירושו לוגיקה דאונטית

הסיסמה "הפסיקו להתאים מילים. התחילו להתאים מטופלים" מתייחסת במפורש ליכולת הזו. אנו מפרשים את מצב הכשירות של המטופל, לא רק את נוכחות המונחים ב רשומתו. על ידי מידול הזכויות והחובות של הפרוטוקול (למשל, הזכות להשתתף בתנאים ספציפיים), אנו מיישרים את ה־AI עם הכוונה האתית והמדעית של עיצוב המחקר. ¹⁴

גישה זו הופכת את תהליך הגיוס ממשימת "חיפוש"—מציאת מחרוזות ב מסד נתונים—למשימת "חשיבה"—הערכת מצבו של מטופל מול קבוצת כללים לוגיים. זהו ההבדל היסודי בין מנוע חיפוש במסמכים לבין מערכת תמיכה בהחלטות קליניות.

5. ארכיטקטורה של מנוע נוירו־סימבולי

כדי לספק פתרון זה, Veriprajna מיישמת ארכיטקטורת AI נוירו־סימבולית . זו אינה מבנה אקדמי תיאורטי; זו בחירה הנדסית פרגמטית שמשלבת את הטוב משני פרדיגמות AI כדי להבטיח אמינות, הסבריות ודיוק בענף מפוקח.

5.1 המחסנית הנוירו־סימבולית

הארכיטקטורה שלנו עוקבת אחר מודל שילוב נוירו־סימבולי "Type 2" או "Type 4", שבו מערכת עצבית (LLM) פועלת כשכבת תפיסה, ומערכת סימבולית (גרף ידע/פותר לוגיקה) פועלת כשכבת חשיבה. ³⁰ הפרדת אחריות זו מאפשרת לנו למנף את הגמישות הלשונית של LLMs תוך ריסון הנטיות הסטוכסטיות שלהם בלוגיקה נוקשה.

שכבה 1: תפיסה עצבית (הקורא)

●​ פונקציה: קולט נתונים לא־מובנים (PDFs, הערות בכתב יד, מעבדות סרוקות, נרטיבים של רופאים).

●​ טכנולוגיה: LLMs מבוססי Transformer (למשל, GPT-4 מותאם, Llama 3, או וריאנטים של BioBERT ספציפיים לתחום).

●​ תפקיד: ה־LLM אינו מקבל את החלטת הכשירות הסופית. תפקידו היחיד הוא חילוץ ישויות ונרמול . הוא קורא "pt complains of chest pain" ומזהה את הישות Chest pain.

●​ חידוש: אנו משתמשים ב־"Concept-Aware Decoding" שבו ה־LLM מוגבל להפיק מונחים מועדפים או מזהים תקפים של SNOMED CT, מה שמפחית הלוצינציה במקור. ¹³

שכבה 2: הגשר הסמנטי (הממפה)

●​ פונקציה: ממפה ישויות שחולצו לגרף הידע הארגוני.

●​ טכנולוגיה: מסדי נתונים וקטוריים משולבים עם חיפושי אונטולוגיה ומסדי גרפים (למשל, Neo4j).

●​ תפקיד: ממיר את ישוּת הטקסט Chest pain ל־SCTID הספציפי: 29857009. הוא מסיר עמימות ממונחים לפי הקשר (למשל, הבחנה בין "Cold" הנגיף ל־"Cold" הטמפרטורה) באמצעות מבנה הגרף והצמתים הסמוכים.

שכבה 3: חשיבה סימבולית (החושב)

●​ פונקציה: מריץ את לוגיקת הכשירות מול הפנוטיפ המובנה.

●​ טכנולוגיה: רשתות לוגיקה הסתברותיות (PLN) או פותרי לוגיקה מסדר ראשון (למשל, מנועי סגנון Prolog) המשולבים בגרף הידע. ³³

●​ תפקיד: שכבה זו מיישמת את כללי הלוגיקה הדאונטית. היא בודקת את יחסי ה־Is-A ב SNOMED (למשל, "האם CVC הוא תת־סוג של Cardiac Cath?"). היא מחשבת משכים זמניים. היא דטרמיניסטית —בהינתן אותם קלטים, היא תמיד תפיק את אותה תוצאת כשירות, ותספק את יכולת הביקורת הנדרשת על ידי ה־FDA וה־EMA. ¹³

5.2 "האזור הירוק" של הלוגיקה

כפי שמתואר בספרות הנוירו־סימבולית, אנו משלבים מודול לוגיקה (המוצג לעיתים כ "אזור ירוק" בתרשימי ארכיטקטורה) בתוך לולאת העיבוד. כאשר המערכת נתקלת בשאילתה מורכבת כמו "האם המטופל כשיר על סמך קריטריון החרגה 4?", ה LLM אינו מזין תשובה. במקום זאת הוא מאציל את השאילתה לפותר הסימבולי. הפותר מחשב את התשובה על סמך עובדות וכללים (למשל, Patient_Has_Hypertension AND Medication_Is_Stable), ומחזיר את התוצאה ל־LLM לסינתזת שפה טבעית. ³³

גישה היברידית זו מבטיחה שה"חשיבה" תהיה תקינה מתמטית, בעוד ש ה"ממשק" נותר שיחתי ונגיש לקלינאים.

טבלה 2: השוואת גישות AI למחקרים קליניים

מאפיין	LLM סטנדרטי (API עטיפה)	AI נוירו־סימבולי (Veriprajna)
עיבוד נתונים	חיזוי טוקנים הסתברותי	לוגיקה דטרמיניסטית + חילוץ עצבי
מונחים לא ידועים	מזין או מחמיץ	מסמן לסקירה אנושית (אטום מול שקוף)
חשיבה	מתאמים ברמת פני השטח	חשיבה רב־קפיצתית דרך גרף ידע
הסבריות	"קופסה שחורה" (אינה יכולה לצטט לוגיקת מקור)	עקבות ניתנים לביקורת מלאה (הוכחות לוגיקה)
דיוק	~63-87% (משתנה)	>95% (קרוב־לאנושי או על־אנושי)13
פרטיות	סיכון גבוה לדליפת נתונים	לוגיקה מעובדת מקומית/באופן מאובטח

ההשוואה מעוגנת במדדי ביצוע ממחקרים עדכניים שהעריכו AI ב בריאות. ²

6. RAG של גרף ידע (GraphRAG): מנוע ההקשר

כדי לתמוך בארכיטקטורה הנוירו־סימבולית, Veriprajna משתמשת ב־שליפה מוגברת־גרף עם יצירה (GraphRAG) . בעוד ש־RAG מסורתי שולף קטעי מסמך על סמך דמיון וקטורי, GraphRAG שולף מידע על סמך יחסים, ומאפשר למערכת "לחבר את הנקודות" לאורך כל רשומת המטופל והידע הרפואי החיצוני. ³⁵

6.1 מדוע וקטורים אינם מספיקים

במערכת Vector RAG סטנדרטית, אם חוקר מחפש "תופעות לוואי של Drug A," ה מערכת שולפת קטעי מסמך המכילים את המחרוזת "Drug A." אולם מחקרים קליניים פרוטוקולים מחריגים לעיתים קרובות מטופלים על סמך מחלקות תרופות או מנגנוני פעולה.

דוגמה: פרוטוקול מחקר מחריג "Any drug interacting with CYP3A4 enzymes." מטופל נוטל "Drug B."

●​ כשל Vector RAG: אם ה־EHR של המטופל מזכיר "Drug B" אך אינו מציין במפורש "Drug B is a CYP3A4 inhibitor," חיפוש וקטורי עלול להיכשל בשליפת ההקשר הרלוונטי. המטופל עלול להיכלל בטעות.

●​ פתרון GraphRAG: גרף הידע מכיל את השלישייה: (Drug B) --[inhibits]--> (CYP3A4). בבדיקת קריטריוני ההחרגה, GraphRAG חוצה את הגרף. הוא מזהה את Drug B כחומר אסור גם אם הטקסט אינו אומר זאת במפורש . ³²

יכולת זו חיונית למחקרי "umbrella" או "basket" מודרניים הנשענים על אינטראקציות סמנים ביולוגיים ופרמקולוגיות מורכבות. GraphRAG מאפשר למערכת לבצע שליפה רב־קפיצתית, החוצה מ־Patient -> Drug -> Mechanism -> Exclusion Criteria, ומבטיחה שאף גורם החרגה נסתר לא יוחמץ.

6.2 "המוח השני" לפרמה

ארכיטקטורה זו הופכת את פלטפורמת הגיוס ל"מוח שני" עבור חוקרים. ³⁸ היא מאפשרת שאילתות שפה טבעית מורכבות הדורשות חשיבה על מבנה הנתונים, כגון: "מצאו מטופלים עם היסטוריה של קרדיומיופתיה אך לא קיבלו אנתרציקלינים."

המערכת מבינה דרך הגרף ש־"Doxorubicin" הוא-סוג-של אנתרציקלין. היא יכולה להחריג נכון מטופלים שנטלו Doxorubicin, ולהבטיח בטיחות ועמידה בפרוטוקול, תוך הכללת מטופלים שנטלו חומרים אחרים שאינם אנתרציקלינים. רמת פעולות־גומלין סמנטית זו מאפשרת בניית עוקבות דינמית וניתוח היתכנות שעולים בהרבה על יכולותיהם של בוני שאילתות מסורתיים.

7. אסטרטגיית יישום: מתיאוריה לארגון

Veriprajna אינה מציעה API פשוט מסוג "plug-and-play" אלא אסטרטגיית אינטגרציה עמוקה. יישום פנוטיפינג מונחה־אונטולוגיה דורש טרנספורמציה מכוונת של תשתית הנתונים כדי להבטיח שה־AI מוזן בנתונים מובנים באיכות גבוהה וש הפלטים שלו משולבים בזרימת העבודה הקלינית.

7.1 אינטגרציה עם CDISC ו־FHIR

המערכת שלנו מתוכננת לפעול יחד עם תקני הנתונים הקליניים הקיימים שמהווים את עמוד השדרה של תעשיית התרופות.

●​ קלט: אנו קולטים נתונים באמצעות HL7 FHIR (Fast Healthcare Interoperability Resources) משאבים. אנו מפרסים משאבי Patient, Condition, Procedure ו־MedicationAdministration כדי לאכלס את גרף הידע.

●​ פלט: אנו ממפים פנוטיפים ישירות לתקני CDISC SDTM (Study Data Tabulation Model) ובפרט לתחום IE (Inclusion/Exclusion) . ³⁹ משמעות הדבר היא שה נתוני הגיוס שמייצרת המערכת שלנו אינם רק רשימת שמות; הם נתונים רגולטוריים מובנים, מוכנים להגשה ולניתוח מיום 1. זה מפחית את נטל ניקוי הנתונים וההתאמה במורד הזרם.

7.2 זרימת העבודה אדם-בלולאה (HITL)

אנו תומכים בבינה מוגברת, לא באוטומציה מלאה. המטרה היא להרחיב את המומחה הקלינאי, לא להחליפו. הפלט הנוירו־סימבולי כולל "ציון ביטחון" ו "עקבות חשיבה" לכל החלטה.

●​ ביטחון גבוה (דטרמיניסטי): אם הלוגיקה ברורה והנתונים חד־משמעיים (למשל, התאמת SCTID ספציפית), המערכת יכולה להתאים או להחריג אוטומטית.

●​ ביטחון נמוך (טקסט עמום): אם הלוגיקה מטושטשת או שהטקסט אינו ברור (למשל, "היסטוריה אפשרית של..."), המערכת מסמנת את המקרה לסקירה אנושית. באופן מכריע, היא מדגישה את הקריטריונים הספציפיים ואת קטע הטקסט הרלוונטי שגרם לעמימות. תצוגה "מעוכלת מראש" זו מפחיתה את הזמן שקלינאי נדרש לסקור תיק בעד 40%. ²

7.3 פרטיות נתונים וממשל

באמצעות ארכיטקטורה נוירו־סימבולית מודולרית, Veriprajna מטפלת בחשש העליון של פרטיות נתונים. אנו יכולים לשמור נתוני מטופל בתוך חומת האש המאובטחת של בית החולים (שכבת ה"סימבולית" והגרף). שכבת ה"עצבית" (LLM) יכולה להיפרס כמודל מקומי, קוד פתוח (למשל, Llama 3 שכוונן לחילוץ רפואי) בתוך המובלעת המאובטחת, או לשמש רק לעיבוד טקסט מזוהה־מוסר. ⁴⁰ זה מבטיח שמידע בריאות מוגן (PHI) לעולם אינו נחשף ל־APIs ציבוריים או משמש לאימון מודלים חיצוניים, ובכך מבטיח ציות ל־GDPR, HIPAA ולמדיניות ממשל מוסדית.

8. סיכום: הפסיקו להתאים מילים, התחילו להתאים מטופלים

צוואר הבקבוק בגילוי תרופות אינו עוד המדע; זהו התחביר. אנו מנסים לנווט במורכבות הביולוגיה האנושית ופרוטוקולי מחקרים קליניים בכלים שתוכננו לחיפוש במסמכים. חוסר התאמה זה מוביל למיליארדי דולרים בערך שאבד, תפעול מחקרים לא יעיל, והחשוב מכל, תקווה שנדחתה למטופלים הממתינים לטיפולים חדשים.

השגיאה "ניקור ורידי מרכזי" מול "צנתור לב" אינה תקלה; היא תסמין של עיוורון סמנטי. על ידי אימוץ פנוטיפינג מונחה־אונטולוגיה, המעוגן ב SNOMED CT, הנשלט על ידי לוגיקה דאונטית, ומופעל על ידי AI נוירו־סימבולי, אנו יכולים לרפא עיוורון זה.

Veriprajna מציעה נתיב הרחק משבריריות ההסתברות ואל עבר החוסן של הלוגיקה. אנו מאפשרים לארגונים פרמצבטיים למצוא את המטופלים הנכונים, למחקרים הנכונים, ב זמן הנכון—לא בניחוש, אלא בחשיבה.

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

נקודות מפתח לארגון

●​ השפעה פיננסית: ביטול עיכובי גיוס יכול לחסוך 800,000$+ ליום בעלויות הזדמנות אבודות לנכסים בעלי ערך גבוה.

●​ עליונות טכנית: AI נוירו־סימבולי יוצר עקבות חשיבה דטרמיניסטיות הניתנות לביקורת ש־LLMs גנריים אינם יכולים לספק, והן חיוניות לציות רגולטורי.

●​ דיוק סמנטי: שילוב SNOMED CT מונע החרגות שווא על ידי הבנת היררכיות רפואיות (יחסי Is-A) והבחנה בין הליכים נבדלים.

●​ קפדנות לוגית: לוגיקה דאונטית מנתחת נכון סעיפי "אלא אם" ו־"למעט" מורכבים ב פרוטוקולי מחקר, ומצילה מטופלים כשירים שהלוגיקה הבוליאנית פוסלת.

●​ יתרון אסטרטגי: GraphRAG מאפשר יכולות "מוח שני", ומחבר נתוני מטופל לגרפי ידע פרמקולוגיים רחבים יותר להתאמה עדיפה ול חשיבה רב־קפיצתית.

אודות Veriprajna

Veriprajna היא ייעוץ תוכנה AI מתמחה המוקדש לפתרון הבעיות הקשות ביותר בביופרמה באמצעות פתרונות Deep AI. אנו חורגים מממשקי wrapper כדי לבנות ארכיטקטורות נוירו־סימבוליות שמבינות את שפת הרפואה.

מקורות

1. AI Innovations in Clinical Trials: Speeding Drug Development - IntuitionLabs, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 2025, https://www.ahajournals.org/doi/10.1161/HCQ.0000000000000059

10. coronary artery disease - efo - EMBL-EBI, נצפה ב־10 בדצמבר 2025, https://www.ebi.ac.uk/efo/EFO_0001645

11. Femoral Vein Morphometry in Children - Clinics in Surgery, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12638795/

14. Ethics in Digital Health: a deontic accountability framework - ResearchGate, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 2025, https://cdr.lib.unc.edu/downloads/9p290k671

17. Aligning an administrative procedure coding system with SNOMED CT open.trinetx, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 2025, https://www.findacode.com/icd-9/37-22-left-heart-cardiac-catheterization-icd-9-procedure-code.html

19. 392230005 - Browse Code Systems - NIH, נצפה ב־10 בדצמבר 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, נצפה ב־ 10 בדצמבר 2025, https://www.pgscatalog.org/trait/EFO_0001645/

21. Coronary artery disorder (Concept Id: C1956346) - NCBI, נצפה ב־10 בדצמבר 2025, https://www.ncbi.nlm.nih.gov/medgen/365486

22. The CORE Problem List Subset of SNOMED CT - National Library of Medicine, נצפה ב־10 בדצמבר 2025, https://www.nlm.nih.gov/research/umls/Snomed/core_subset.html

23. Fundamentals of Clinical Data Science - OAPEN Library, נצפה ב־10 בדצמבר 2025, https://library.oapen.org/bitstream/handle/20.500.12657/22918/1007243.pdf

24. Deontic Logic - Stanford Encyclopedia of Philosophy, נצפה ב־10 בדצמבר 2025, https://plato.stanford.edu/entries/logic-deontic/

25. Ten Philosophical Problems in Deontic Logic - ICR, נצפה ב־10 בדצמבר 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, נצפה ב־ 10 בדצמבר 2025, https://clinicaltrials.gov/study/NCT03574363

27. Characteristics of Populations Excluded From Clinical Trials Supporting Intensive Blood Pressure Control Guidelines - NIH, נצפה ב־10 בדצמבר 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC8174340/

28. Temporal Ensemble Logic for Integrative Representation of the Entirety of Clinical Trials - DROPS, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 2025, https://www.healthafairs.org/doi/10.1377/hlthaff .2022.00520f

30. Type 4 neuro-symbolic AI system with explicit mapping. This figure... ResearchGate, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 2025, https://www.charterglobal.com/what-is-graphrag/

33. Avoiding LLM Hallucinations: Neuro-symbolic AI and other Hybrid AI approaches, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12150699/

35. Graph RAG: Frameworks, Tools & Use Cases Explained - Chitika, נצפה ב־10 בדצמבר 2025, https://www.chitika.com/graph-based-retrieval-augmented-generation/

36. What Is GraphRAG? - Neo4j, נצפה ב־10 בדצמבר 2025, https://neo4j.com/blog/genai/what-is-graphrag/

37. GraphRAG: Practical Guide to Supercharge RAG with Knowledge Graphs LearnOpenCV, נצפה ב־10 בדצמבר 2025, https://learnopencv.com/graphrag-explained-knowledge-graphs-medical/

38. Pharma Knowledge Management: Building a "Second Brain" with AI | IntuitionLabs, נצפה ב־10 בדצמבר 2025, https://intuitionlabs.ai/articles/pharma-knowledge-management-second-brain

39. CDASHIG v2.0 - CDISC, נצפה ב־10 בדצמבר 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, נצפה ב־10 בדצמבר 2025, https://arxiv.org/html/2503.15718v1