“`html

الذكاء الاصطناعي يحول التجارب السريرية لكن التحديات لا تزال هائلة

يظهر الذكاء الاصطناعي تدريجيًا في مجال التجارب السريرية، مع وعد بتسريع البحث الطبي، وخفض التكاليف، وتحسين فعالية العلاجات. ومع ذلك، فإن دمجه يثير أسئلة معقدة تتجاوز الوعود التكنولوجية البسيطة.

في تصميم البروتوكولات، يسمح الذكاء الاصطناعي الآن بإنشاء وثائق معقدة تلقائيًا من ملخصات بسيطة يقدمها الباحثون. وهذا يقلل بشكل كبير الوقت اللازم لكتابة بروتوكولات مفصلة، وهي مهمة كانت في الماضي طويلة ومملّة. ومع ذلك، فإن هذه السرعة تأتي مصحوبة بمخاطر، لا سيما خطر الكشف عن معلومات حساسة حول الأدوية أو التصاميم المبتكرة عند إدخال هذه البيانات في أنظمة خارجية. من جانبهم، تحلل النماذج التنبؤية قواعد البيانات التاريخية لتوقع نتائج تشغيلية رئيسية، مثل القدرة على تحقيق أهداف التوظيف أو تحديد معايير الإدراج المثلى. تساعد هذه الأدوات على تجنب الفشل المكلف، لكن فعاليتها تعتمد بشكل كبير على جودة وتمثيلية البيانات المستخدمة.

يستفيد توظيف المرضى، الذي غالبًا ما يكون مصدرًا للتأخيرات في التجارب، أيضًا من مساهمة الذكاء الاصطناعي. تحلل الأنظمة المتقدمة ملايين الوثائق الطبية في وقت قياسي لتحديد المرشحين المؤهلين. على سبيل المثال، عالجت منصة ما يزيد عن 83 مليون وثيقة في أقل من أسبوعين، مما أدى إلى توليد مليارات من المصطلحات الطبية الموحدة. تسمح هذه التقنيات بتقليل وقت الفحص اليدوي إلى النصف، مما يحرر الوقت لفريق العمل الطبي. كما تكشف أن العديد من معايير الأهلية تستبعد المرضى دون داعي دون أن تؤثر على النتائج العلاجية. من خلال تخفيف هذه القواعد، يمكن للتجارب أن تشمل ضعف عدد المشاركين مع الحفاظ على سلامتهم.

ومع ذلك، تختلف أداء هذه الأنظمة. بعض الأنظمة تحقق معدلات استدعاء عالية، حيث تحدد غالبية المرضى المؤهلين، لكن بدقة منخفضة في بعض الأحيان، مما يعني أنها تشمل أيضًا مرشحين غير مؤهلين. وعلى العكس، نظام دقيق جدًا يقلل من عبء العمل على المراجعين البشر، لكنه قد يستبعد مرضى صالحين. تظهر التطورات الأخيرة، مثل النماذج التي تجمع بين استرجاع البيانات وتوليدها، نتائج واعدة مع معدلات دقة تتجاوز 97٪، متفوقة حتى على المنسقين البشر في بعض المهام.

يمثل تحليل البيانات مجالًا آخر يحقق فيه الذكاء الاصطناعي نجاحات. فهو يسمح بمعالجة مجموعات بيانات معقدة، مثل تلك الناتجة عن الأجهزة المتصلة أو الصور الطبية، مما يوفر ثروة من المعلومات غير المسبوقة. ومع ذلك، لا يزال هناك جدل بين الأساليب الإحصائية التقليدية والنماذج الحديثة. توفر الأساليب الكلاسيكية، مثل الانحدار اللوجستي، شفافية غير مسبوقة، مما يسمح بفهم تأثير كل متغير بوضوح. على الرغم من أن نماذج الذكاء الاصطناعي غالبًا ما تكون أكثر دقة، إلا أنها تعمل مثل صناديق سوداء، مما يجعل من الصعب فك شفرتها الداخلية. تشكل هذه الغموض تحديًا رئيسيًا لاعتمادها سريريًا، حيث يتحفظ الأطباء عن اتباع التوصيات التي لا يفهمونها، خاصة في المواقف الحرجة.

تمثل التحيزات الخوارزمية عائقًا كبيرًا آخر. يمكن للنظم أن تستمر، بل وتضخم، عدم المساواة الموجودة إذا كانت البيانات المستخدمة لتدريبها تعكس تفاوتات تاريخية. على سبيل المثال، خوارزمية مستخدمة على نطاق واسع في الولايات المتحدة لتقييم احتياجات الرعاية المكثفة فضلت المرضى البيض على حساب المرضى السود، لأنها استخدمت تكاليف الرعاية الصحية السابقة كمؤشر لاحتياجات المستقبل، وهو معيار متحيز بسبب عدم المساواة الهيكلية. وبالمثل، تظهر أدوات تشخيص أمراض القلب والأوعية الدموية المدربة بشكل رئيسي على بيانات ذكورية دقة أقل بالنسبة للنساء، حيث تختلف أعراضهن غالبًا. تؤكد هذه التحيزات على أهمية تنويع فرق التطوير ومجموعات البيانات لضمان نتائج عادلة.

كما أن شفافية النماذج هي أيضًا قضية حاسمة. يجب أن يكون الأطبّاء والمرضى قادرين على فهم كيفية اتخاذ قرار معين، خاصة عندما يكون لهذا القرار تأثير مباشر على حياة الناس. تحاول طرق التوضيح اللاحقة، مثل LIME أو SHAP، جعل النماذج أكثر فهمًا من خلال تحديد العوامل الأكثر تأثيرًا في تنبؤ معين. ومع ذلك، تبقى هذه التوضيحات تقريبية وقد تكون مضللة في حد ذاتها. تقدم بعض النماذج، المصممة لتكون قابلة للتفسير بشكل جوهري، مثل أشجار القرار، بديلًا، على الرغم من أن دقتها قد تكون أقل من دقة النماذج المعقدة.

التحديات ليست تقنية فحسب. يثير دمج الذكاء الاصطناعي في التجارب السريرية أسئلة أخلاقية وقانونية غير محلولة. من المسؤول في حال حدوث خطأ طبي ينطوي على نظام ذكاء اصطناعي؟ المطور، المؤسسة الطبية، الطبيب، أم المريض؟ تشتت هذه المسؤولية، الذي يُطلق عليه غالبًا “مشكلة الأيدي العديدة”، يعقد تحديد الأخطاء وقد يترك المرضى دون حل واضح. يقترح البعض مسؤولية جماعية، حيث يتقاسم جميع الفاعلين المعنيين العبء، لكن هذا النهج لا يزال قيد التطوير.

كما تثير ملكية البيانات وموافقة المرضى مشاكل أيضًا. في تجربة تقليدية، يوافق المريض على استخدام بياناته لأهداف محددة ومحددة زمنيًا. مع الذكاء الاصطناعي، غالبًا ما يتم إعادة استخدام البيانات بشكل غير محدود لتدريب وتحسين النماذج، مما يثير أسئلة حول ملكيتها والسيطرة عليها. تظهر نماذج سيادة البيانات، حيث يحتفظ المرضى بسيطرة دقيقة على معلوماتهم، كحل ممكن، لكن تطبيقها على نطاق واسع لا يزال معقدًا.

تقدم الأنظمة اللامركزية، مثل التعلم الفيدرالي وبلوكشين، طرقًا للتغلب على العقبات المتعلقة بالسرية ووصول البيانات. يسمح التعلم الفيدرالي بتدريب النماذج على بيانات موزعة عبر عدة مؤسسات دون مركزية المعلومات الحساسة أبدًا. ومع ذلك، تواجه هذه الطريقة تحديات عملية، مثل عدم تجانس البيانات بين المواقع، مما قد يضر بأداء النموذج العالمي. من جانبها، يمكن أن تضمن بلوكشين سلامة البيانات وقابليتها للتتبع، لكن تبنيها يواجه مشاكل في قابلية التوسع، واستهلاك الطاقة، والامتثال للأنظمة المتعلقة بحماية البيانات، مثل حق النسيان.

غالبًا ما يتم تسليط الضوء على التكاليف ومكاسب الكفاءة التي يروج لها الذكاء الاصطناعي. تظهر الدراسات أن التوظيف عبر الإنترنت يقلل من تكلفة كل مريض من 199 دولار إلى 72 دولار ويسرع من العملية بشكل كبير. تشير تقارير أخرى إلى انخفاض بنسبة 10 إلى 15٪ في أوقات التسجيل في تجارب تجريبية. ومع ذلك، تأتي هذه الأرقام غالبًا من دراسات ممولة من قبل الصناعة أو تقارير داخلية، قد تكون متحيزة أو تفتقر إلى التحقق المستقل. لا تزال التحاليل الاقتصادية الصارمة نادرة، وتظهر النتائج المتاحة ثغرات منهجية مهمة.

أخيرًا، تأثير الذكاء الاصطناعي على عبء عمل الأطباء وتجربة المرضى غامض. في حين أن بعض الأدوات تؤتمت المهام الإدارية المملّة، مما يحرر الوقت للرعاية المباشرة، قد تزيد أدوات أخرى من العبء من خلال الحاجة إلى التحقق المستمر من النتائج المولدة. أما المرضى، فيترددون بين أمل تشخيصات أكثر دقة وعلاج شخصي، وخوف فقدان السرية أو تقليل التفاعلات البشرية. يكشف استطلاع حديث أن 60٪ من الأمريكيين سيكونون غير مرتاحين إذا اعتمد موفر الرعاية الصحية الخاص بهم على الذكاء الاصطناعي لاتخاذ قرارات طبية.

“`

Documentation et sources

Document de référence

DOI : https://doi.org/10.1007/s10791-026-10205-x

Titre : The transformative and turbulent integration of artificial intelligence in clinical trials: a critical review

Revue : Discover Computing

Éditeur : Springer Science and Business Media LLC

Auteurs : Ying Xuan Lim; Long Chiau Ming; Nancy Choon-Si Ng; Serena Leow; Rahul G. Ingle