مقالة بحثية

منصة ويب قابلة للتشغيل البيني تعتمد على النماذج اللغوية الكبيرة لتحليل البيانات الطبية: بروتوكول لدعم القرار السريري

49 مشاهدة

⸱

DOI:

10.3791/72085

⸱

أغسطس 25, 2026

 ,  ,  ,  , 
1Graduate Program in Teleinformatics Engineering, Federal University of Ceará, 2Graduate Program in Electrical Engineering, Federal University of Ceará

في هذه المقالة

ملخص

يصف هذا البروتوكول تنفيذ منصة ويب قابلة للتشغيل البيني تدمج البيانات السريرية القائمة على معيار FHIR مع تقنية التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation) ونماذج لغوية كبيرة متعددة الوكلاء لدعم اتخاذ القرار السريري. يتيح سير العمل هذا نشراً قابلاً للتكرار، وتكاملاً معيارياً للبيانات، وتقييماً لتحليل البيانات الطبية المدعوم بالذكاء الاصطناعي (AI).

الملخص

غالباً ما تعوق السجلات الصحية الإلكترونية المجزأة ومحدودية التشغيل البيني بين أنظمة معلومات الرعاية الصحية غير المتجانسة عملية اتخاذ القرار السريري. يقدم هذا المقال بروتوكولاً تفصيلياً خطوة بخطوة لتنفيذ منصة ويب قابلة للتشغيل البيني تدمج البيانات السريرية عبر معيار موارد التشغيل البيني السريع للرعاية الصحية (FHIR)، جنباً إلى جنب مع التوليد المعزز بالاسترداد (RAG)، والنماذج اللغوية الكبيرة (LLMs)، وإطار عمل للاستدلال السريري متعدد الوكلاء لدعم تحليل البيانات الطبية ودعم القرار السريري. يصف البروتوكول سير العمل كاملاً، بما في ذلك تهيئة البيئة الحسابية، والمعالجة المسبقة لمجموعة البيانات السريرية، وتكامل البيانات القائم على FHIR، وبناء قاعدة بيانات متجهية، وتهيئة الاسترداد، وهندسة التلقين، وتنسيق الوكلاء المتعددين، وتقييم النظام. تُظهر النتائج التمثيلية قدرة المنصة على توليد استجابات ذات صلة سريرياً ومتسقة سياقياً مع تحسين التشغيل البيني الدلالي عبر مصادر البيانات غير المتجانسة. تم تقييم أداء النظام باستخدام مقاييس كمية ودلالية تكميلية، بما في ذلك BLEU وROUGE وBERTScore والتشابه الجيبي. أُجري تقييم نوعي باستخدام مجموعات بيانات رعاية صحية مرجعية متاحة للعموم ومجهولة الهوية تماماً لتقييم إمكانية تكرار سير العمل المنهجي المقترح. تدمج البنية المقترحة التشغيل البيني المعياري للرعاية الصحية مع النماذج اللغوية المعززة بالاسترداد لتحسين الاستدلال السياقي، وتقليل الهلوسة، ودعم سير العمل السريري القابل للتكرار والمدعوم بالذكاء الاصطناعي. يوفر هذا البروتوكول إطاراً قابلاً للتطوير والتكرار للباحثين والمطورين الذين يسعون إلى تنفيذ أنظمة رعاية صحية ذكية، تراعي الخصوصية وقابلة للتشغيل البيني لدعم القرار السريري، وتحليل البيانات الطبية، والأبحاث الانتقالية المستقبلية.

المقدمة

يتم إنتاج المعلومات الصحية بشكل روتيني عبر المستشفيات، ومراكز التشخيص، والمختبرات، والعيادات الخارجية، وغالباً ما تظل موزعة بين أنظمة معلومات غير متجانسة. ويحد هذا التجزؤ من القدرة على التشغيل البيني ويقيد الوصول السريع إلى سجلات المرضى الشاملة، مما يخلق تحديات مستمرة في الرعاية السريرية، وتكامل البيانات، وإدارة الرعاية الصحية1,2,3,4.

تصبح عواقب هذا التجزؤ واضحة بشكل خاص في سير العمل السريري الذي يعتمد على الوصول السريع إلى معلومات المريض. فعندما لا يتمكن متخصصو الرعاية الصحية من استرجاع سجلات طبية كاملة ومتكاملة، يصبح التقييم السريري أكثر صعوبة، مما يزيد من خطر اتخاذ قرارات غير مكتملة ويقلل من كفاءة تقديم الرعاية، لا سيما في حالات الطوارئ5,6.

أدت التطورات الأخيرة في مجال الذكاء الاصطناعي (AI)، وخاصة النماذج اللغوية الكبيرة (LLMs)، إلى توسيع نطاق النهج الحسابية المتاحة لتطبيقات الرعاية الصحية. وقد تم استقصاء هذه النماذج في مهام مثل المساعدة التشخيصية، والفرز السريري، ودعم اتخاذ القرار. فعلى سبيل المثال، قام Jahan وآخرون5 بتقييم استخدام النماذج اللغوية الكبيرة في المهام الطبية الحيوية، بينما بحث Taylor وآخرون7 في النماذج الضبطية الدقيقة للفحص الرقمي للصحة النفسية، وأبلغوا عن نتائج مشجعة في البيئات السريرية المتخصصة.

وقد توسع تطبيق نماذج اللغات الكبيرة (LLMs) ليشمل مجالات سريرية أكثر تخصصاً. حيث استكشف Song وزملاؤه 49 استخدامها في تشخيص داء الغبار الرئوي، بينما طبق Chien وزملاؤه8 هذه النماذج لتحليل أنماط عبء العمل لدى مقدمي الرعاية غير الرسميين. وفي طب العيون، اقترح Xue وزملاؤه9 نظاماً للإجابة على الأسئلة لتشخيص الجلوكوما (المياه الزرقاء)، بينما أفاد Tan وزملاؤه3  وWu وزملاؤه10 باستخدام نماذج اللغات الكبيرة في أنظمة التشخيص الهجينة واستشارات الطب الصيني التقليدي.

لا يقتصر استخدام النماذج اللغوية الكبيرة (LLMs) على التطبيقات السريرية المباشرة؛ حيث بحث Zhang et al.11 في تطبيقها للتعرف على العواطف في سيناريوهات الصحة النفسية، بينما استكشف Sarzaeim et al.12 أنظمة الشرطة الذكية التي قد تساهم أيضًا في التحليلات المتعلقة بالصحة العامة. وتوضح هذه الدراسات القابلية الواسعة لتطبيق المنهجيات القائمة على النماذج اللغوية الكبيرة عبر مختلف المجالات المرتبطة بالرعاية الصحية.

على الرغم من أن النماذج اللغوية الكبيرة (LLMs) قد وسعت من إمكانيات تطبيقات الرعاية الصحية، إلا أن دمجها في البيئات السريرية لا يزال مرتبطاً بتحديات تقنية وتنظيمية وإدارية هامة. ويتطلب النشر العملي بنية تحتية حوسبية مناسبة، وحوكمة فعالة للبيانات، والامتثال للأطر التنظيمية مثل اللائحة العامة لحماية البيانات (GDPR) والقانون العام لحماية البيانات البرازيلي (LGPD). وتحدد هذه الأطر المتطلبات اللازمة للمعالجة الآمنة والأخلاقية للمعلومات الصحية الحساسة، مع معالجة القضايا المتعلقة بالخصوصية والموثوقية والتحيز الخوارزمي في أنظمة الرعاية الصحية المدعومة بالذكاء الاصطناعي13,14 .

لا تزال القابلية للتشغيل البيني عبر مصادر البيانات الصحية غير المتجانسة، بما في ذلك السجلات الصحية الإلكترونية (EHRs)، وأنظمة التصوير الطبي، وأجهزة إنترنت الأشياء (IoT)، تمثل تحدياً تقنياً رئيساً لنشر حلول الرعاية الصحية المدعومة بالذكاء الاصطناعي. وفي هذا السياق، توفر أطر القابلية للتشغيل البيني الموحدة مثل HL7 FHIR آلية منظمة لتبادل المعلومات السريرية عبر الأنظمة المختلفة مع الحفاظ على الاتساق الدلالي ودعم التكامل القابل للتوسع.

يقدم هذا العمل منصة ويب قابلة للتشغيل البيني تدمج النماذج اللغوية الكبيرة مع معايير التشغيل البيني للرعاية الصحية لدعم تحليل البيانات الطبية في البيئات السريرية غير المتجانسة. تجمع البنية المقترحة بين تكامل البيانات القائم على معيار HL7 FHIR والتوليد المعزز بالاسترجاع (RAG) وإطار عمل لمعالجة الوكلاء المتعددين لتوفير تحليل مدعوم بالذكاء الاصطناعي مدرك للسياق، مع الحفاظ على التوافق مع متطلبات حماية البيانات المعمول بها، بما في ذلك القانون العام لحماية البيانات البرازيلي (LGPD).

يصف هذا البروتوكول بنية تشغيلية مشتركة لدمج البيانات السريرية غير المتجانسة باستخدام معايير التشغيل البيني المعتمدة في الرعاية الصحية. كما يفصل تنفيذ خط معالجة متعدد الوكلاء يعتمد على نماذج لغوية كبيرة ونماذج لغوية صغيرة (LLMs و SLMs)، إلى جانب إطار تقييم يجمع بين المقاييس الكمية والتحليلات النوعية لتقييم سلوك المنصة المقترحة.

البروتوكول

لم تتضمن هذه الدراسة استقطاب مشاركين بشريين، أو الوصول إلى سجلات مرضى يمكن تحديد هويتهم، أو إجراء تجارب تشمل الحيوانات. تم تطوير البروتوكول وتقييمه حصرياً باستخدام مجموعات بيانات متاحة للعموم ومجهولة الهوية تماماً لغرض التحقق المنهجي. لم يتم الوصول إلى أي معلومات صحية شخصية أو معالجتها. وبناءً على ذلك، لم تكن هناك حاجة للحصول على موافقة من مجلس مراجعة مؤسسي (IRB) أو لجنة أخلاقيات البحث. وقد تم تطوير البروتوكول وفقاً لمبادئ حماية البيانات المعمول بها، بما في ذلك القانون العام لحماية البيانات البرازيلي (LGPD)، لدعم التطبيقات المستقبلية التي تتضمن بيانات سريرية.

اختيار مجموعة البيانات ومعالجتها مسبقاً

تم تقييم البروتوكول المقترح باستخدام مجموعات بيانات سريرية مجهولة الهوية بالكامل ومتاحة للعامة، وتتكون من سجلات صحية إلكترونية (EHRs) مهيكلة، وبيانات الإجابة على الأسئلة السريرية، ومجموعات بيانات التصوير الطبي للتحقق من المنهجية. وقبل دمجها في المنصة، خضعت مجموعات البيانات لإجراءات معالجة مسبقة موحدة، شملت تطبيع البيانات، وإزالة السجلات غير المتسقة أو غير المكتملة، والربط بموارد HL7 FHIR، وتنظيف النصوص، والتقسيم إلى أجزاء استرداد (retrieval chunks)، وتوليد التضمينات (embeddings) للفهرسة المتجهة. وقد ضمنت خطوات المعالجة المسبقة هذه الاتساق الدلالي عبر مصادر البيانات غير المتجانسة، مما سهل التشغيل البيني ومكن من إعادة إنتاج سير العمل المقترح مع الحفاظ على الامتثال لمبادئ خصوصية البيانات المعمول بها.

تم الحصول على مجموعات البيانات من مستودعات مرجعية متاحة للعموم وتُستخدم بشكل شائع في أبحاث الذكاء الاصطناعي والصحة الرقمية. وقد اختيرت هذه المجموعات لتمثيل معلومات سريرية غير متجانسة، بما في ذلك السجلات الصحية الإلكترونية (EHRs) المهيكلة، والسرديات السريرية غير المهيكلة، ومهام الإجابة على الأسئلة السريرية، والبيانات الوصفية للتصوير الطبي. وبدلاً من تقييم مجموعة سريرية محددة، يركز البروتوكول على توضيح سير عمل تنفيذي قابل للتكرار يمكن تكييفه مع مجموعات بيانات الرعاية الصحية المختلفة. ويتيح تنوع هذه المجموعات المرجعية التحقق من صحة مسار التشغيل البيني، والجيل المعزز بالاسترداد (RAG)، وإطار الاستدلال متعدد الوكلاء عبر أنماط متعددة من البيانات السريرية.

تكوين البيئة التجريبية

تم تهيئة البيئة التجريبية لتقييم المنصة القابلة للتشغيل البيني في ظل ظروف مضبوطة وقابلة للتكرار. تتكون البنية من وحدات لاستيعاب البيانات، وطبقات التشغيل البيني، ونماذج لغوية كبيرة (LLMs)، ومكونات تقييم منظمة في مسار معالجة واحد لتحليل البيانات الطبية. يوضح الشكل 1 سير العمل الكامل، بدءاً من استيعاب البيانات السريرية وصولاً إلى إنتاج المخرجات التشخيصية.

مخطط معالجة بيانات السجلات الصحية الإلكترونية؛ تصفية الملاحظات السريرية؛ استنتاج المرض عبر نموذج لغوي كبير؛ عملية التشخيص.
الشكل 1: سير عمل النظام العام الذي يوضح خط معالجة البيانات من البيانات السريرية الخام إلى مخرجات حالة المرض. تبدأ العملية باستيعاب السجلات الصحية الإلكترونية (EHR)، تليها تصفية البيانات ومعالجتها مسبقاً لاستخراج المعلومات الحساسة للمرض. تتضمن مرحلة تصميم المطالبات المهيكلة دمج معرفة الخبراء، وتعريفات الأمراض، والمعاملات الفائقة، مما يتيح تفاعلاً فعالاً مع النموذج اللغوي الكبير (LLM). يقوم النموذج اللغوي الكبير بإجراء استنتاج نصي لتوليد استجابات تراعي السياق، والتي يتم تقييمها لاحقاً من خلال قواعد سريرية لتحديد حالة المرض النهائية. يسلط سير العمل الضوء على تكامل المعالجة المسبقة للبيانات، والمطالبات الموجهة بالمعرفة، والاستنتاج القائم على الذكاء الاصطناعي لدعم اتخاذ القرار السريري. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

بنية 상호 التشغيل في الرعاية الصحية

تعتمد البنية التحتية للخلفية البرمجية بنية نمطية قائمة على واجهات برمجة التطبيقات RESTful APIs لدعم الاتصال بين مكونات المنصة (الشكل 2). وتستوعب هذه البنية معلومات سريرية غير متجانسة، بما في ذلك السجلات الصحية الإلكترونية (EHRs) المهيكلة، وملاحظات الأطباء، والبيانات الوصفية المستمدة من أنظمة التصوير الطبي. ونظراً لأن هذه البيانات تنشأ من مصادر وتنسيقات متعددة، فقد تم تحقيق 상호 التشغيل البيني من خلال نماذج بيانات موحدة، ولا سيما إطار موارد التشغيل البيني السريع للرعاية الصحية (FHIR)15,16,17.. ويدعم اعتماد FHIR تبادل المعلومات المهيكلة مع الحفاظ على القابلية للتوسع والمرونة في بيئات الرعاية الصحية الموزعة. كما تم دمج آليات اتصال قائمة على معيار HL7 لتسهيل التكامل مع الأنظمة السريرية القديمة التي لا تزال مستخدمة على نطاق واسع في مؤسسات الرعاية الصحية16,17.

مخطط Flask API الذي يوضح طلبات POST/GET، واستعلامات MySQL، وتكامل مخزن المتجهات FAISS.
الشكل 2: بنية النظام للمنصة المقترحة القابلة للتشغيل البيني. تتواصل واجهة الويب مع الخلفية البرمجية من خلال Flask API باستخدام طلبات HTTP POST/GET. وتدير واجهة برمجة التطبيقات (API) عمليات التوجيه، ومعالجة الاستعلامات، والتفاعل مع مصادر البيانات المهيكلة وغير المهيكلة. تخزن قاعدة بيانات MySQL البيانات السريرية المهيكلة، بينما يدعم مخزن المتجهات القائم على FAISS البحث عن التشابه لعمليات الاسترجاع. وتقوم سلسلة معالجة تعتمد على LLaMA بمعالجة المدخلات النصية وتوليد الاستجابات باستخدام تمثيلات المتجهات، مما يتيح التوليد المعزز بالاسترجاع (RAG). وتسلط هذه البنية الضوء على تكامل خدمات الويب، وإدارة قواعد البيانات، واسترجاع المتجهات، واستدلال النماذج اللغوية الكبيرة في نظام موحد. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

تكوين سير عمل متعدد الوكلاء

تتكون بنية الوكلاء المتعددين من وكلاء وظيفيين متخصصين مسؤولين عن مراحل متميزة من سير العمل. حيث يقوم وكيل المعالجة المسبقة بإجراء تسوية البيانات ورسم خرائط FHIR، يليه وكيل استرجاع مسؤول عن البحث الدلالي داخل قاعدة البيانات المتجهية. ويقوم وكيل الاستدلال بدمج السياق المسترجع مع نموذج اللغة الكبير (LLM) لتوليد الاستجابات، بينما يتحقق وكيل التحقق من اتساق المخرجات وتنسيقها قبل تقديم الاستجابة النهائية. ويتبع تنسيق الوكلاء استراتيجية تنظيم تسلسلية يكون فيها مخرج كل وكيل بمثابة مدخل للمرحلة التالية، مما يضمن تنفيذاً نموذجياً وقابلاً لإعادة الإنتاج.

تكامل البيانات السريرية

تعمل طبقة تكامل البيانات على تجميع المعلومات من مصادر سريرية متعددة وتجهيزها للمعالجة اللاحقة. وتشمل المعالجة المسبقة تسوية البيانات، والتقسيم إلى وحدات رمزية (tokenization)، ومحاذاة الكيانات لتحسين الاتساق الدلالي عبر مجموعات البيانات غير المتجانسة. ونظرًا لأن المعلومات السريرية تختلف في بنيتها وجودتها، تساعد هذه العمليات في تقليل الضجيج وتسهيل التفاعل مع نماذج الذكاء الاصطناعي. كما تم تطبيق استراتيجيات رسم خرائط هيكلية لتوحيد تنسيقات البيانات المختلفة والحفاظ على التوافق مع مسار المعالجة، كما هو موضح في الشكل 315,16,17.

مخطط لعملية اتخاذ القرار في الرعاية الصحية؛ الخطوات: تعقيد الاستعلام، التوظيف، التحليل، والتركيب.
الشكل 3: مثال تفصيلي لعملية الاستدلال السريري متعددة الوكلاء. يوضح الشكل كيفية تحليل الاستعلام السريري عبر مراحل متعددة، بما في ذلك تقييم التعقيد، وتوظيف المتخصصين، والمناقشة التعاونية، واتخاذ القرار النهائي. وتبرز هذه العملية قدرة النظام على تكييف استراتيجيات الاستدلال ديناميكيًا بناءً على تعقيد الاستعلام، مما يحسن الكفاءة والدقة التشخيصية في سيناريوهات دعم القرار السريري. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

تكوين مسار التوليد المعزز بالاسترداد (Retrieval-Augmented Generation pipeline)

يتم دمج التوليد المعزز بالاسترداد (RAG) لتوفير تحليل واعٍ بالسياق من خلال الجمع بين استرداد المعلومات والقدرات التوليدية للنماذج اللغوية الكبيرة. يتم تحويل استعلامات المستخدم إلى تمثيلات متجهية باستخدام نماذج التضمين، ومطابقتها مع قاعدة البيانات المتجهية باستخدام البحث عن التشابه الدلالي لاسترداد المقاطع السياقية الأكثر صلة. ثم تُدمج المستندات المستردة مع الاستعلام الأصلي قبل عملية الاستدلال بواسطة النموذج اللغوي الكبير (LLM). وتساعد هذه الاستراتيجية في توفير معلومات سياقية أثناء توليد الاستجابة، وقد ارتبطت بتحسين الاتساق الواقعي وتقليل الهلوسة في التطبيقات كثيفة المعرفة، بما في ذلك الرعاية الصحية18,19. يوضح الشكل 1 والشكل 3 سير عمل الاسترداد العام وعملية الاستدلال المقابلة.

لكل طلب مستخدم، يتم بناء الأمر النهائي ديناميكيًا من خلال دمج الاستعلام الأصلي مع أكثر المقاطع السياقية صلة والتي تم استردادها من قاعدة البيانات المتجهية. يتم دمج المعلومات المستردة كأدلة سياقية قبل عملية الاستدلال، مما يسمح للنموذج اللغوي بتوليد استجابات مستندة إلى المعرفة الصحية المستردة مع الحفاظ على الاتساق الدلالي والحد من التوليدات غير المدعومة.

هندسة الأوامر والاستدلال متعدد الوكلاء

يتضمن البروتوكول استراتيجيات تحفيز مهيكلة لتحسين التفسير السياقي أثناء توليد الاستجابة. وتساعد تقنيات التحفيز هذه، إلى جانب آليات الاستنتاج المتقدمة، في توجيه عملية التفكير في السيناريوهات السريرية المعقدة، وهي تتوافق مع التطورات الأخيرة الواردة في الأدبيات العلمية20.

تتضمن البنية التحتية إطار عمل متعدد الوكلاء يتكون من وحدات متخصصة تؤدي وظائف متميزة ضمن مسار المعالجة، بما في ذلك التحقق من صحة البيانات، وتصفية السياق، ودعم الاستدلال السريري، والتحقق من المخرجات. ويسمح التنظيم النمطي بتنفيذ المهام بشكل متسلسل أو متوازٍ، مما يوفر المرونة اللازمة لمتطلبات المعالجة المختلفة (الشكل 4). ويؤدي توزيع هذه الأنشطة على وكلاء متعددين إلى تقليل الاعتماد على نموذج لغوي واحد ويدعم سير عمل أكثر قوة في المعالجة. وتتسق هذه الاستراتيجية المعمارية مع التطورات الأخيرة في مجال الذكاء الاصطناعي الموزع وتصميم الأنظمة الذكية21,22.

مخطط لعملية الاستعلام؛ تدفق اتخاذ القرار للمشكلات الطبية البسيطة مقابل المعقدة؛ تحليل الفريق.
الشكل 4: إطار عمل اتخاذ القرار متعدد الوكلاء للاستدلال السريري. تبدأ العملية باستعلام من المستخدم، يقوم بتقييمه وكيل فحص مسؤول عن تقدير مدى تعقيد الاستعلام. وفي الحالات المعقدة، يقوم النظام باستدعاء فريق متعدد التخصصات (MDT) من الوكلاء المتخصصين الذين يشاركون في جولات نقاش تكرارية لتحليل المشكلة وتوليف المعرفة قبل اتخاذ القرار النهائي. أما في الحالات الأبسط، فيتولى وكيل ممارس الرعاية الأولية (PCC) التعامل مع الاستعلام، مما يتيح توليد استجابة أسرع. توازن هذه البنية التكيفية بين الكفاءة والعمق التحليلي، مما يحسن جودة القرار وقابلية توسع النظام في التطبيقات الرعاية الصحية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

تقييم الأداء

تم تقييم أداء النظام باستخدام مقاييس تكميلية ترصد كلاً من الجودة اللغوية والاتساق الدلالي للمخرجات المولدة. طُبق مقياس BLEU لقياس التشابه النحوي بناءً على تداخل n-gram23، بينما قام مقياس ROUGE بتقييم الاستدعاء وتغطية المحتوى، لا سيما في مهام التلخيص واستخراج المعلومات24. كما تم تقييم التشابه الدلالي باستخدام BERTScore، الذي يعتمد على التضمينات السياقية المستمدة من النماذج القائمة على المحولات (transformer-based models) لمقارنة النصوص المولدة مع النصوص المرجعية25. وشملت التحليلات الإضافية قياس الحيرة (perplexity) وتشابه جيب التمام (cosine similarity) لفحص ثقة النموذج والتماسك الدلالي، على التوالي26,27.

توفر مقاييس التقييم المختارة رؤى متكاملة حول أداء النظام من خلال الجمع بين التحليلات المعجمية والدلالية. ويكتسب هذا الجمع أهمية خاصة في تطبيقات الرعاية الصحية، حيث لا يقل التفسير السياقي أهمية عن التشابه المعجمي. وقد جرى تقييم المنصة في بيئة حوسبة منضبطة تدعم النشر السحابي والمحلي على حد سواء. كما أُدرج التشغيل المحلي لنماذج اللغات الكبيرة (LLMs) كخيار لدعم متطلبات خصوصية البيانات وتقليل الاعتماد على الخدمات الخارجية عند معالجة المعلومات السريرية الحساسة. وتتوافق استراتيجية النشر هذه مع أطر حماية البيانات، ويمكن تكييفها مع بيئات تشغيلية مختلفة4.

النتائج

تم تقييم أداء النظام باستخدام مقاييس كمية تكميلية إلى جانب التحليل النوعي لفحص كل من الدقة اللغوية والاتساق الدلالي للمخرجات التي تم إنشاؤها. وتجمع استراتيجية التقييم هذه بين المقاييس المعجمية والدلالية لتوفير توصيف أشمل لسلوك النموذج في مهام توليد اللغة المتعلقة بالرعاية الصحية.

يعرض الجدول 1 النتائج الكمية التي تم الحصول عليها باستخدام BLEU وROUGE وBERTScore. وقد تم اختيار هذه المقاييس لأنها تقيم جوانب متكاملة من النص المولد، بما في ذلك التشابه المعجمي، وتغطية المعلومات، والمحاذاة الدلالية، وهي مستخدمة على نطاق واسع في أبحاث معالجة اللغات الطبيعية.

تقييممطالبةبيرسونجذر متوسط مربع الخطأمتوسط الخطأ المطلقمعدل الإصابة
ميكسترال (Mixtral)قصير0.0981.7791.3466/28
صفرية اللقطات0.1741.6181.29315/28
تعلم من أمثلة قليلة0.4751.6731.3679/28
LLaMA 3قصير0.4851.6171.31411/28
تعلّم صفري (Zero-shot)0.4791.6141.31410/28
تعلم من أمثلة قليلة0.4251.6521.33913/28
LLaMA 3.1قصير0.3491.6211.31806/28
التعلم من صفر محاولة (Zero-shot learning)0.681.6141.30712/28
تعلم من أمثلة قليلة0.4081.2430.88611/28

الجدول 1: مقاييس التقييم الكمي للنظام المقترح.

استُخدم مقياس BLEU لتحديد درجة التشابه النحوي بناءً على تداخل الـ n-gram بين المخرجات المولدة والنصوص المرجعية23. وقد طُور هذا المقياس في الأصل للترجمة الآلية، ولكن تم تطبيقه أيضًا على مجموعة واسعة من مهام توليد النصوص لكونه يرصد التطابق الهيكلي بين النصوص. وفي التقييم الحالي، تشير درجات BLEU إلى أن الاستجابات المولدة تحافظ على خصائص نحوية تتفق مع المخرجات المرجعية.

استُخدم مقياس ROUGE لتقييم التشابه الموجه نحو الاسترجاع، مع التركيز على مدى تغطية المعلومات ذات الصلة في النصوص التي تم توليدها24. وفي تطبيقات الرعاية الصحية، يكون هذا المقياس مفيداً بشكل خاص لأن الحفاظ على المعلومات ذات الصلة سريرياً غالباً ما يكون أكثر أهمية من إعادة إنتاج صياغة متطابقة. وكما هو موضح في الجدول 2، تشير درجات ROUGE إلى أن الاستجابات المولدة تحتفظ بالمحتوى السريري ذي الصلة عبر الحالات التي تم تقييمها.

المُقيّمالمطالبةICC1ICC2ICC3ICC1kICC2kICC3K
Mixtralقصيرة0.1360.1640.1820.320.370.4
صفرية المحاولات (zero-shot)0.280.3530.5070.5390.6210.755
قليلة المحاولات (few-shot)0.2240.3230.5220.4630.5880.766
LLaMA3قصيرة0.2340.3310.5320.4790.5970.773
صفرية المحاولات (zero-shot)0.2440.340.5510.4920.6070.786
قليلة المحاولات (few-shot)0.2180.3210.5310.4560.5870.772
LLaMA3.1قصيرة0.5210.5250.5370.7660.7680.777
صفرية المحاولات (zero-shot)0.2460.3430.560.4950.6110.792
قليلة المحاولات (few-shot)0.5990.5970.5890.8170.8160.811

الجدول 2: مقاييس الاتفاق بين المقيمين (ICC).

تم تضمين BERTScore لتقييم التشابه الدلالي باستخدام التضمينات السياقية المستمدة من النماذج القائمة على المحولات (transformer-based models)25. وبخلاف مقياسي BLEU و ROUGE، يقارن هذا المقياس النصوص وفقاً للمعنى السياقي بدلاً من التداخل اللفظي، مما يجعله مناسباً لتقييم توليد اللغة السريرية. وتشير قيم BERTScore التي تم الحصول عليها في هذه الدراسة إلى درجة عالية من المحاذاة الدلالية بين الاستجابات المولدة والنصوص المرجعية المقابلة لها.

تضمنت التحليلات الإضافية قياس الحيرة (perplexity) وتشابه جيب التمام (cosine similarity) لاستكمال مقاييس التقييم الأساسية. وقد حُسبت الحيرة لتقدير مدى إمكانية التنبؤ بالمخرجات المُولدة، حيث تشير القيم المنخفضة إلى انخفاض درجة عدم اليقين أثناء توليد النصوص26. واستُخدم تشابه جيب التمام لقياس مدى التطابق بين نواقل التضمين (embedding vectors) المستمدة من النصوص المُولدة والنصوص المرجعية، مما يوفر مقياساً إضافياً للتماسك الدلالي27.

وبالأخذ في الاعتبار هذه النتائج مجتمعة، توفر مقاييس التقييم معلومات تكميلية حول الخصائص النحوية والدلالية والسياقية للاستجابات التي تم إنشاؤها. ويلخص الشكل 5 توزيع نتائج التقييم عبر المقاييس التي تم فحصها، مما يوفر رؤية شاملة لأداء النظام في ظل الظروف التي تم اختبارها.

تتوافق نتائج التقييم مع السلوك المتوقع لتقنية التوليد المعزز بالاسترجاع (RAG) في التطبيقات التي تتطلب الوصول إلى مصادر معرفية خارجية. فمن خلال دمج المستندات المسترجعة في عملية توليد الاستجابة، توفر هذه البنية معلومات سياقية إضافية تدعم الاستجابات ذات الصلة سريرياً في السيناريوهات التي تتطلب معرفة مكثفة18,19. كما تم دمج استراتيجيات التلقين المهيكلة كآليات تكميلية لتوجيه عملية الاستدلال والتفسير السياقي، بما يتماشى مع المنهجيات المذكورة في الدراسات الحديثة20.

استكمل التحليل النوعي التقييم الكمي من خلال فحص مدى قابلية تفسير المخرجات الناتجة وأهميتها السريرية. تظهر أمثلة تمثيلية لاستجابات النظام في الشكل 3 لأنواع مختلفة من الاستفسارات السريرية. وتوضح هذه الأمثلة كيف تولد المنصة استجابات متماسكة سياقياً عبر السيناريوهات التي تم تقييمها، بما في ذلك الحالات التي تتضمن معلومات سريرية أكثر تعقيداً.

توزع بنية الوكيل المتعدد مهام المعالجة عبر وحدات متخصصة مسؤولة عن وظائف تكميلية ضمن تدفق العمل. ويقلل هذا التنظيم من الاعتماد على نموذج لغوي واحد، كما يتيح مراحل متعددة من معالجة المعلومات والتحقق من المخرجات، بما يتفق مع مناهج الوكيل المتعدد الحديثة الواردة في الدراسات السابقة21,22. يلخص الشكل 5 توزيع نتائج التقييم التي تم الحصول عليها باستخدام استراتيجيات التوجيه والنماذج اللغوية المختلفة التي تم النظر فيها في هذه الدراسة.

مخططات الكمان التي تقارن محفزات التحفيز، الطرق: Pearson، وMAI، وM/F CE؛ تحليل تعليمي.
الشكل 5: توزيع أداء النظام المقترح عبر استراتيجيات تحفيز مختلفة ونماذج لغوية متنوعة. (A–F) توضح مخططات الكمان التباينات في جودة الاستجابة لأساليب التحفيز القصيرة، والتحفيز الصفري (zero-shot)، والتحفيز القليل (few-shot) باستخدام نماذج LLaMA3، وLLaMA3.1، وMixtral. تسلط النتائج الضوء على تأثير تصميم المحفز على اتساق المخرجات والأداء، مما يثبت أن استراتيجيات التحفيز المهيكلة تميل إلى إنتاج استجابات أكثر استقراراً ودقة في المهام السريرية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

تتوافق نتائج التقييم مع الدراسات الحديثة التي تدعو إلى الجمع بين المقاييس المعجمية والدلالية لتقييم أداء النماذج اللغوية الكبيرة4,12. وعلى وجه الخصوص، اكتسبت المقاييس القائمة على التضمين (embedding-based metrics) أهمية متزايدة في رصد التشابه السياقي في توليد النصوص المتعلقة بالرعاية الصحية، حيث يتجاوز التفسير الدلالي مجرد التطابق المعجمي28,29.

بشكل عام، يشير التقييم إلى أن المنصة المقترحة تدمج معايير التشغيل البيني، والجيل المعزز بالاسترجاع (RAG)، ومعالجة الوكلاء المتعددين ضمن إطار عمل موحد لتحليل بيانات الرعاية الصحية. وتدعم النتائج الكمية والنوعية المعروضة في هذه الدراسة جدوى سير العمل المقترح في ظل الظروف التجريبية التي تم تقييمها، وتوفر أساساً للتحقق المستقبلي في البيئات السريرية الواقعية.

توافر البيانات

تتوفر مجموعات البيانات المستخدمة في هذه الدراسة بشكل عام. تم الحصول على مجموعة بيانات الأشعة السينية للصدر من مجموعة جامعة إنديانا للأشعة السينية للصدر (Open-i، المكتبة الوطنية الأمريكية للطب)، بما في ذلك ملفي indiana_reports.csv و indiana_projections.csv، والمتاحة على https://openi.nlm.nih.gov/. أما مجموعة بيانات MedQA المرجعية فهي متاحة للعامة من خلال مستودعها الرسمي. لم يتم استخدام أي بيانات سرية أو بيانات سريرية تحدد هوية المريض في هذه الدراسة. وجميع إجراءات المعالجة المسبقة موصوفة في قسم البروتوكول لدعم إمكانية إعادة إنتاج النتائج.

المناقشة

يمثل التقييم المقدم في هذه الدراسة تحققاً منهجياً تم إجراؤه باستخدام مجموعات بيانات رعاية صحية مرجعية متاحة للعموم ومجهولة الهوية تماماً. لم يتم إجراء أي تحقق سريري استباقي يشمل متخصصين في الرعاية الصحية أو استقطاباً للمرضى، حيث أن الهدف من هذا العمل هو عرض بروتوكول تنفيذ قابل للتكرار بدلاً من إثبات الفعالية السريرية.

تشير نتائج هذه الدراسة إلى أن الجمع بين معايير التشغيل البيني للرعاية الصحية والنماذج اللغوية الكبيرة يوفر إطاراً عملياً لدمج المعلومات السريرية غير المتجانسة. وتجمع البنية المقترحة بين آليات تبادل البيانات المهيكلة، بما في ذلك FHIR و HL7، ومعالجة اللغة القائمة على الذكاء الاصطناعي في سير عمل موحد يتوافق مع التطورات الحالية في أنظمة الصحة الرقمية15,16,17.

يتمثل أحد الجوانب المهمة لسير العمل المقترح في دمج التوليد المعزز بالاسترجاع (RAG) ضمن بنية متعددة الوكلاء. وفي هذا التكوين، توفر المستندات المسترجعة معلومات سياقية إضافية أثناء توليد الاستجابة، مما يدعم المهام السريرية الكثيفة المعرفية. ويتماشى هذا التصميم المعماري مع الدراسات الحديثة التي تصف آليات الاسترجاع كإستراتيجية لتحسين التثبيت السياقي وموثوقية الاستجابة في تطبيقات النماذج اللغوية الكبيرة18,19.

تم دمج استراتيجيات التلقين المهيكلة في سير العمل المقترح لدعم التفسير السياقي أثناء توليد الاستجابات. وقد أفادت دراسات سابقة بأن هندسة التلقين وتقنيات الاستدلال المهيكل يمكن أن تحسن أداء النماذج اللغوية الكبيرة في مهام اتخاذ القرار المعقدة20. ويتسق النهج المعتمد في هذا البروتوكول مع هذه التطورات، حيث يوفر إطاراً مهيكلاً للمعالجة اللغوية السريرية.

من منظور التقييم، أتاح استخدام مقاييس تكميلية فحص أبعاد مختلفة من أداء النظام. وبينما توفر مقاييس BLEU وROUGE معلومات حول التشابه النحوي وتغطية المحتوى23,24، فإن المقاييس القائمة على التضمين مثل BERTScore تلتقط العلاقات الدلالية التي قد لا تعكسها التداخلات اللفظية وحدها25. وتتوافق استراتيجية التقييم متعددة الأبعاد هذه مع دراسات القياس المرجعية الحديثة التي توصي بالجمع بين المقاييس اللفظية والدلالية عند تقييم النماذج اللغوية الكبيرة في تطبيقات الرعاية الصحية4,12.

يوفر سير العمل المقترح إطاراً منهجياً قابلاً للتكرار لتنفيذ أنظمة دعم القرار السريري القائمة على الذكاء الاصطناعي والقابلة للتشغيل البيني. وبدلاً من إجراء مقارير مرجعية لبنيات مختلفة من الذكاء الاصطناعي، تركز هذه الدراسة على توثيق سير عمل التنفيذ الكامل، وبنية النظام، وآليات التشغيل البيني، ومنهجية التقييم لتسهيل قابلية التكرار والاعتماد المستقبلي. وتخرج التحليلات المقارنة التي تشمل النماذج اللغوية الكبيرة (LLMs) التقليدية، أو التكوينات التي تفتقر إلى تقنية توليد النصوص المدعومة بالاسترجاع (RAG)، أو النماذج الضبط الدقيق، أو نهج تعلم الآلة التقليدية عن نطاق هذه المساهمة المنهجية، وهي تمثل توجهاً مهماً للبحوث المستقبلية.

سيتطلب نقل الإطار المقترح مستقبلاً إلى البيئات السريرية الواقعية إجراء عمليات تحقق إضافية مع مختصي الرعاية الصحية، فضلاً عن الامتثال للمتطلبات التنظيمية والأخلاقية المعمول بها. وبناءً على الغرض من الاستخدام، قد تخضع هذه الأنظمة للوائح البرمجيات كجهاز طبي (SaMD)، ويجب أن تتوافق مع المتطلبات التي وضعتها السلطات التنظيمية، بما في ذلك إدارة الغذاء والدواء الأمريكية (FDA) ولائحة الأجهزة الطبية الأوروبية (MDR). بالإضافة إلى ذلك، ستكون ممارسات حوكمة البيانات القوية، والأمن السيبراني، والشفافية، والسلامة السريرية ضرورية لدعم النشر الآمن والمسؤول في إعدادات الرعاية الصحية.

أكمل التحليل النوعي التقييم الكمي من خلال توضيح خصائص الاستجابات التي تم إنشاؤها عبر سيناريوهات سريرية تمثيلية. وتشير الأمثلة المعروضة إلى أن المنصة كانت قادرة على إنتاج استجابات متماسكة سياقياً في ظل الظروف التي تم تقييمها، مما وفر رؤية إضافية حول قابلية تفسير الاستجابة بما يتجاوز المقاييس الكمية. وقد تم الإبلاغ عن ملاحظات مماثلة في دراسات طبقت النماذج اللغوية الكبيرة في التطبيقات السريرية، بما في ذلك المساعدة التشخيصية والتفاعل مع المرضى28,29,30,31.

توزع البنية المقترحة مهام المعالجة عبر وحدات متخصصة مسؤولة عن وظائف تكميلية، تشمل التحقق من صحة البيانات، والتصفية السياقية، ودعم الاستدلال السريري، والتحقق من المخرجات. ويقلل هذا التنظيم الوحداتي من الاعتماد على نموذج لغوي واحد، كما يسمح بمراحل متعاقبة من معالجة المعلومات ضمن تدفق العمل. وقد وُصفت استراتيجيات بنيوية مماثلة في دراسات حديثة حول أنظمة الذكاء الاصطناعي الموزعة وأطر العمل متعددة الوكلاء المصممة لبيئات اتخاذ القرار المعقدة21,22.

قد تسهل عدة اعتبارات تنفيذية إمكانية تكرار البروتوكول المقترح ونشره. يساعد الربط المتسق للمعلومات السريرية بمعيار HL7 FHIR في الحفاظ على التوافق التشغيلي الدلالي عبر مسار معالجة البيانات. وبالمثل، فإن المعالجة المسبقة للمستندات، واستراتيجيات تقسيم النصوص (chunking)، وتوليد التضمينات (embeddings)، وفهرسة المتجهات تؤثر على سلوك سير عمل التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation)، ويجب تهيئتها والتحقق من صحتها وفقاً لخصائص التطبيق المستهدف. كما يمكن تحسين هندسة الأوامر (prompt engineering) وتنسيق الوكلاء المتعددين بشكل تكراري باستخدام المعرفة الخاصة بالمجال وملاحظات الخبراء لتحسين الربط السياقي أثناء توليد الاستجابة. وتتوافق ممارسات التنفيذ هذه مع التطورات الحديثة في الذكاء الاصطناعي الموثوق ونماذج اللغة المعززة بالاسترجاع18,19,20.

يجب الإقرار ببعض القصور في هذه الدراسة. فبالرغم من أن التقييم جمع بين مقاييس كمية ونوعية متكاملة، إلا أن هذه المقاييس قد لا تستوعب جميع جوانب الاستنتاج السريري بشكل كامل. وتتسق هذه الملاحظة مع دراسات سابقة توصي باستخدام أطر تقييم متخصصة في مجالات محددة للتطبيقات الرعاية الصحية12. بالإضافة إلى ذلك، تم تقييم المنصة في ظل ظروف خاضعة للرقابة باستخدام مجموعات بيانات مرجعية مجهولة الهوية ومتاحة للعموم، والتي قد لا تمثل بشكل كامل مدى التباين والتعقيد في البيئات السريرية الواقعية.

تم تطوير المنصة المقترحة وفقاً لمعايير التشغيل البيني المعتمدة في الرعاية الصحية. ويدعم اعتماد معايير HL7 و FHIR تبادل البيانات المهيكلة عبر أنظمة معلومات الرعاية الصحية غير المتجانسة، مما يوفر إطاراً معيارياً لدمج المعلومات السريرية من مصادر متعددة. ويتسق هذا النهج المعماري مع الجهود الحالية لتطوير أنظمة ذكاء اصطناعي قابلة للتشغيل البيني في بيئات الرعاية الصحية الموزعة15,16,17.

يعتمد التنفيذ الناجح لسير العمل المقترح على عدة خطوات منهجية حاسمة. أولاً، يجب ربط البيانات السريرية باستمرار بموارد HL7 FHIR الموحدة للحفاظ على التوافق التشغيلي الدلالي عبر أنظمة الرعاية الصحية غير المتجانسة15,17. ثانياً، ينبغي تكوين المعالجة المسبقة للمستندات بعناية، بما في ذلك التسوية واستراتيجية التجزئة وتوليد التضمينات، لأن هذه المراحل تؤثر بشكل مباشر على جودة الاسترجاع ضمن مسار التوليد المعزز بالاسترجاع (RAG)19,32,33. ثالثاً، يجب إعادة بناء قاعدة بيانات المتجهات كلما تم تحديث قاعدة المعرفة للحفاظ على الاتساق بين المستندات المفهرسة ونتائج الاسترجاع. وأخيراً، ينبغي التحقق بشكل تكراري من هندسة الأوامر وتنسيق الوكلاء المتعددين باستخدام سيناريوهات سريرية تمثيلية لتحسين الدقة السياقية، وتقليل الهلوسات، وتعزيز قابلية تكرار سير عمل دعم القرار السريري المعتمد على الذكاء الاصطناعي4,3,20,31.

من منظور استكشاف الأخطاء وإصلاحها، تشمل تحديات التنفيذ الشائعة عدم اكتمال تعيين موارد FHIR، وانخفاض أداء الاسترداد المرتبط بفهرسة المستندات أو تكوين قاعدة البيانات المتجهية (vector database)، والاستجابات المتأثرة بنقص المعلومات السياقية أو هندسة الأوامر (prompt engineering) غير المثالية. ويمكن معالجة هذه المشكلات من خلال التحقق من موارد 상호التشغيل، وتحسين معلمات الاسترداد، والتحديث الدوري أو إعادة بناء قاعدة البيانات المتجهية بعد إجراء تعديلات على قاعدة المعرفة، والتقييم المستمر باستخدام مقاييس معجمية ودلالية تكميلية. وتدعم هذه الممارسات اتساق سلوك النظام وتسهل نشر وصيانة سير عمل دعم القرار السريري المساعد بالذكاء الاصطناعي4,12,25,23..

من منظور عملي، يتطلب نشر النماذج اللغوية الكبيرة في بيئات الرعاية الصحية مراعاة الموارد الحسابية ومتطلبات البنية التحتية. وعلى الرغم من أن البنية المقترحة تدعم التنفيذ القائم على السحابة والتنفيذ المحلي على حد سواء، فقد تكون استراتيجيات التحسين الإضافية ضرورية اعتماداً على نطاق النشر والموارد الحسابية المتاحة، لا سيما في البيئات ذات الموارد المحدودة4.

قد تعمل الأبحاث المستقبلية على توسيع سير العمل المقترح من خلال تقييم المنصة باستخدام مجموعات بيانات سريرية من الواقع العملي وسير عمل الرعاية الصحية الروتينية. كما قد تستكشف تحقيقات إضافية استراتيجيات الضبط الدقيق الخاصة بمجال معين ودمج أساليب الذكاء الاصطناعي القابل للتفسير لتحسين قابلية تفسير النموذج ودعم الشفافية أثناء دعم القرار السريري. وقد تساهم هذه التوجهات في إجراء تقييم أوسع للمنصة في بيئات الرعاية الصحية العملية.

بشكل عام، يقدم هذا العمل إطار عمل قابلاً للتكرار لدمج معايير التشغيل البيني للرعاية الصحية، وتوليد النصوص المعزز بالاسترجاع (RAG)، وهياكل النماذج اللغوية متعددة الوكلاء ضمن تدفق عمل موحد لمعالجة البيانات السريرية. ويوفر البروتوكول المقترح نهجاً منظماً لتنفيذ وتقييم أنظمة تحليل البيانات الطبية المدعومة بالذكاء الاصطناعي، وقد يكون بمثابة مرجع للتطورات المستقبلية في دعم القرار السريري القابل للتشغيل البيني.

الإفصاحات

يصرح المؤلفون بعدم وجود أي تضارب في المصالح المالية أو علاقات شخصية من شأنها التأثير على العمل الوارد في هذه المخطوطة. تم استخدام أدوات الذكاء الاصطناعي التوليدي (AI) حصرياً للمساعدة في تحرير اللغة، وتصحيح القواعد النحوية، وتحسين مقروئية المخطوطة. وقد قام المؤلفون بتطوير والتحقق من واعتماد جميع المحتويات العلمية، وتصميم الدراسة، والمنهجية، وتحليل البيانات، وتفسير النتائج، والقرارات التحريرية، وهم يتحملون المسؤولية الكاملة عن محتوى هذه المخطوطة.

شكر وتقدير

يود المؤلفون تقديم الشكر لمختبر الأنظمة المدمجة والموزعة (LESC) بجامعة سيارا الاتحادية (UFC)، لتوفير بيئة البحث والمناقشات التقنية التي دعمت تطوير هذا العمل. كما يقر المؤلفون بجهود مطوري وصياني البرمجيات مفتوحة المصدر، ومعايير التشغيل البيني، ومجموعات البيانات المتاحة علناً والتي استُخدمت طوال هذه الدراسة.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
FAISSشركة ميتا بلاتفورمز (Meta Platforms Inc.)الإصدار 1.8.0قاعدة بيانات متجهية تُستخدم للبحث عن التشابه في مسار توليد النصوص المعزز بالاسترجاع (RAG).
معيار FHIRمنظمة HL7 الدوليةالإصدار 4 (R4)معيار التشغيل البيني للرعاية الصحية المعتمد لتبادل البيانات السريرية المهيكلة.
دورقمشاريع المنصاتالإصدار 3.0.3إطار عمل ويب بلغة Python استُخدم لتنفيذ واجهة برمجة تطبيقات RESTful للخلفية البرمجية.
معيار HL7HL7 Internationalالإصدار 2.xبروتوكول مراسلة قديم يُستخدم لتحقيق التوافق التشغيلي مع نظم معلومات المستشفيات.
واجهة برمجة تطبيقات REST عبر البروتوكول HTTPتنفيذ مخصصنظرًا لعدم وجود نص مصدر، يرجى تزويدي بالنص الإنجليزي المراد ترجمته، وسأقوم بصياغته بدقة في السجل الأكاديمي العربي المتخصص لضمان الدقة العلمية والمنهجية وفقًا لمعايير JoVE.طبقة اتصالات RESTful بين الواجهة الأمامية، والخلفية، وقاعدة البيانات، وخدمات الذكاء الاصطناعي.
لانج تشين (LangChain)LangChain Inc.الإصدار 0.3.xإطار عمل مُستخدم لدمج النماذج اللغوية الكبيرة (LLMs)، وهندسة الأوامر (prompt engineering)، وسير عمل التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation).
LangGraphLangChain Inc.الإصدار 0.2.xإطار العمل المستخدم لتنظيم سير عمل الاستنتاج السريري متعدد الوكلاء.
LLaMA 3.1 8B Instructشركة ميتا بلاتفورمز (.Meta Platforms Inc)الإصدار 3.1نموذج لغوي كبير مُستخدم في الاستدلال السريري وتوليد اللغة الطبيعية.
MySQL Community Serverشركة أوراكل (Oracle Corporation)الإصدار 8.0قاعدة بيانات علاقتية تُستخدم لتخزين البيانات السريرية المهيكلة.
أولاما (Ollama)Ollama Inc.الإصدار 0.9.xمحرك استدلال محلي مُستخدم لتشغيل النماذج اللغوية الكبيرة مع الحفاظ على خصوصية المريض.
بايثونمؤسسة برمجيات بايثون (Python Software Foundation)الإصدار 3.11لغة البرمجة المستخدمة في تنفيذ المنصة الكاملة.
PyTorchمؤسسة لينكس (Linux Foundation)الإصدار 2.4إطار عمل التعلم العميق المستخدم لاستدلال النماذج اللغوية الكبيرة.
مسار التوليد المعزز بالاسترجاع (RAG)تنفيذ مخصصنظرًا لعدم توفر نص مصدر للترجمة، يرجى تزويدنا بالمحتوى العلمي المراد ترجمته إلى اللغة العربية.إطار عمل للذكاء الاصطناعي يدمج الاسترجاع الدلالي مع استنتاج النماذج اللغوية الكبيرة (LLM) لتوليد استجابات مدركة للسياق.
محولات الجمل (Sentence Transformers)Hugging Face Inc.all-MiniLM-L6-v2نموذج التضمين المستخدم لتوليد تمثيلات متجهية كثيفة لاسترجاع المستندات دلالياً.
أوبونتو لينكس (Ubuntu Linux)شركة كانونيكال المحدودة (Canonical Ltd.)الإصدار 24.04 LTSنظام التشغيل المستخدم للتطوير والتقييم التجريبي.
Visual Studio Codeشركة مايكروسوفت (Microsoft Corporation)الإصدار 1.100بيئة تطوير متكاملة تُستخدم لتنفيذ البرمجيات وتصحيح الأخطاء.

المراجع

  1. Chukwu E, Garg L. A systematic review of blockchain in healthcare: frameworks, prototypes, and implementations. IEEE Access. 2020;8:21196-21214. doi:10.1109/ACCESS.2020.2969881.
  2. Al-Nbhany WANA, Zahary AT, Al-Shargabi AA. Blockchain-IoT healthcare applications and trends: a review. IEEE Access. 2024;12:4178-4212. doi:10.1109/ACCESS.2023.3349187.
  3. Tan Y, et al. MedChatZH: a Chinese medical large language model. Comput Biol Med. 2024;172:108290.
  4. OLLAMA TEAM. Ollama: Run Large Language Models locally. Version 0.x. San Francisco: Ollama, 2024.
  5. Jahan I, Laskar MTR, Peng C, Huang JX. A comprehensive evaluation of large language models on benchmark biomedical text processing tasks. Comput Biol Med. 2024;171:108189. doi:10.1016/j.compbiomed.2024.108189.
  6. Liu X, Zhou Y, Wang Z, et al. Disease topic modeling of users' inquiry texts: a text mining-based PQDR-LDA model for analyzing the online medical records. IEEE Trans Eng Manag. 2023.
  7. Taylor N, Kormilitzin A, Lorge I, Nevado-Holgado A, Cipriani A, Joyce DW. Model development for bespoke large language models for digital triage assistance in mental health care. Artif Intell Med. 2024;157:102988.
  8. Song M, et al. PneumoLLM: a large language vision model for pneumonia diagnosis. Med Image Anal. 2024;97:103248.
  9. Chien SC, Yen CM, Chang YH, Chen YE, Liu CC, Hsiao YP, et al. Using large language model (LLM) to identify high-burden informal caregivers in long-term care. Comput Methods Programs Biomed. 2024;255:108329. doi:10.1016/j.cmpb.2024.108329.
  10. Xue X, Zhang D, Sun C, et al. Xiaoqing: a Q&A model for glaucoma based on LLMs. Comput Biol Med. 2024;174:108399.
  11. Wu D, Nie L, Mumtaz RA, Agarwal K. A LLM-based hybrid-transformer diagnosis system in healthcare. IEEE J Biomed Health Inform. 2024.
  12. Zhang Y, et al. LLM-enhanced multi-teacher knowledge distillation for modality-incomplete emotion recognition in daily healthcare. IEEE J Biomed Health Inform. 2024.
  13. Sarzaeim P, Mahmoud QH, Azim A. A framework for LLM-assisted smart policing system. IEEE Access. 2024;12:74915-74929. doi:10.1109/ACCESS.2024.3404862.
  14. Leme RS, Blank M. Lei Geral de Proteção de Dados e segurança da informação na área da saúde. Cad Ibero-Am Direito Sanit. 2020;9(3):210-224. doi:10.17566/ciads.v9i3.690.
  15. Zaganelli MV, Binda Filho DL. O sigilo médico e os dados sensíveis na telemedicina à luz da Lei Geral de Proteção de Dados. RECIIS. 2023;17(3):729-740. doi:10.29397/reciis.v17i3.3689.
  16. Tabari P, Costagliola G, De Rosa M, Boeker M. State-of-the-art Fast Healthcare Interoperability Resources (FHIR)-based data model and structure implementations: systematic scoping review. JMIR Med Inform. 2024.
  17. Martinez T, et al. HL7 systems and interoperability ecosystems in modern healthcare. IEEE Rev Biomed Eng. 2024.
  18. Chen L, et al. HL7 integration and semantic interoperability in distributed healthcare networks. IEEE J Biomed Health Inform. 2024.
  19. Liu W, Li W, Huang W, Gao Y. Security framework for medical data sharing. Telemed E-Health. 2024.
  20. Basile LJ, Carbonara N, Panniello U, Pellegrino R. How can technological resources improve the quality of healthcare service? IEEE Trans Eng Manag. 2024;71:5771-5781. doi:10.1109/TEM.2022.3192405.
  21. Singh A, et al. Prompt engineering in large language models: a survey using SWOT analysis [preprint]. arXiv. 2024
  22. Chen L, Chen Y, Liang W, Li X, Li KC, Wang J, Xiong N. MASS: a multiattribute sketch secure data sharing scheme for IoT wearable medical devices based on blockchain. IEEE Internet Things J. 2025;12(2):1990-2001. doi:10.1109/JIOT.2024.3468733.
  23. Autoridade Nacional de Proteção de Dados (BR). Diretrizes para agentes de tratamento de pequeno porte. Brasília (DF): ANPD; 2021.
  24. Patel R, Kim H. Interoperability in EHR. IEEE Transactions on Biomedical Engineering, v. 70, n. 8, p. 2341-2354, ago. 2023. DOI: 10.1109/TBME.2023.3241567.
  25. Zhang T, Kishore V, Wu F, Weinberger KQ, Artzi Y. BERTScore: evaluating text generation with BERT. In: International Conference on Learning Representations (ICLR); 2020.
  26. Chen X, Lu X, Li Q, Li D, Zhu F. Integration of LLM and Human-AI Coordination for Power Dispatching With Connected Electric Vehicles Under SAGVNs. IEEE Trans Veh Technol. 2025;74(2):1992-2002. doi:10.1109/TVT.2024.3434969
  27. Zhou S, Chen C, Gu HH. Testing and evaluating SNOMED CT web browsers' textual search feature. In: Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine (BIBM); 2019.
  28. McPeak G, Sautmann A, George O, Hallal A, Simal EA, Schwartz AL, Abaluck J, Ravi N, Pless R. An LLM's medical testing recommendations in a Nigerian clinic: potential and limits of prompt engineering for clinical decision support. In: Proceedings of the 2024 IEEE 12th International Conference on Healthcare Informatics (ICHI); 2024.
  29. LLAMA TEAM, AI @ META. The Llama 3 Herd of Models. arXiv preprint arXiv:2407.21783, 2024. Disponível em: https://arxiv.org/abs/2407.21783.
  30. Conselho Nacional de Saúde (BR). Resolução nº 466, de 12 de dezembro de 2012. Aprova as diretrizes e normas regulamentadoras de pesquisas envolvendo seres humanos. Brasília (DF): Ministério da Saúde; 2012.
  31. Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge. Nature. 2023;620:172-180. doi:10.1038/s41586-023-06291-2.
  32. Sahoo P, et al. A systematic survey of prompt engineering in large language models [preprint]. arXiv. 2024. Available from: https://arxiv.org/abs/2402.07927
  33. Yan Y, Hou Y, Xiao Y, Zhang R, Wang Q. KNOWNET: guided health information seeking from LLMs via knowledge graph integration. IEEE Trans Vis Comput Graph. 2024.

إعادة الطباعة والأذونات

الوسوم

تكامل FHIRالتوليد المعزز بالاسترجاعالاستنتاج متعدد الوكلاءقاعدة بيانات متجهيةالتوافق التشغيلي الدلاليهندسة الأوامر
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.