أصبح الذكاء الاصطناعي واقعاً في قطاع الرعاية الصحية، حيث يعتمد الأطباء على الخوارزميات لقراءة صور الأشعة، كشف الأورام، وتلخيص السجلات الطبية. وتشير بيانات إدارة الغذاء والدواء الأمريكية (FDA) إلى الموافقة على أكثر من 1600 جهاز طبي مدعوم بالذكاء الاصطناعي بحلول سبتمبر 2026. وبينما تساهم هذه التقنيات في تقليل الأخطاء البشرية الناجمة عن الإرهاق، فإنها تطرح في المقابل تحديات وأخطاء خوارزمية جديدة تستوجب الحذر.
أنواع أدوات الذكاء الاصطناعي الطبي
لا يمكن اعتبار الذكاء الاصطناعي تقنية واحدة متجانسة؛ إذ ينقسم إلى نوعين رئيسيين:
- أنظمة متخصصة ومحددة: دُربت على مهام دقيقة قابلة للقياس السريري، مثل كشف سرطان الثدي في صور الماموغرام، تحديد السلائل أثناء تنظير القولون، أو رصد اعتلال الشبكية السكري.
- النماذج اللغوية الكبيرة والذكاء الاصطناعي التوليدي: قادرة على الإجابة عن الأسئلة الطبية وتلخيص الملفات، لكنها أكثر عرضة لإنتاج معلومات غير صحيحة، متحيزة، أو مختلقة (ما يُعرف بالهلوسة الطبية).
أين أثبت الذكاء الاصطناعي فائدته بالفعل؟
أظهرت التقنيات المتخصصة كفاءة عالية في المجالات ذات المهام الواضحة:
- فحص سرطان الثدي: في تجربة “MASAI” السويدية على أكثر من 105 آلاف امرأة، زاد الذكاء الاصطناعي معدل اكتشاف السرطان إلى 6.4 حالات لكل ألف امرأة (مقارنة بـ 5 حالات بالطريقة التقليدية)، مع خفض عبء العمل على أطباء الأشعة بنسبة 44%.
- تنظير القولون: رفعت أنظمة الكشف المدعومة بالذكاء الاصطناعي معدل اكتشاف الأورام الغدية بنحو 20% وخفضت نسبة تفويتها بنسبة 55%.
- طب العيون: حقق نظام مستقل لكشف اعتلال الشبكية السكري حساسية بنسبة 87.2% ونوعية بنسبة 90.7%، مما يسمح باستخدامه في الرعاية الأولية.
مخاطر الاعتماد على الخوارزميات
على الرغم من دقتها في مهام محددة، تواجه أنظمة الذكاء الاصطناعي تحديات جوهرية:
- التعامل مع الحالات المعقدة: تشير دراسة نُشرت في مجلة “نيتشر ميديسن” إلى أن النماذج اللغوية المتقدمة كانت أقل دقة من الأطباء في المهام السريرية المعقدة لعدم قدرتها على تقييم الظروف النفسية والاجتماعية الشاملة للمريض.
- الإجابات المقنعة الخاطئة: تميل نماذج الذكاء الاصطناعي إلى تقديم معلومات خاطئة بثقة بالغة، مما يشكل خطراً مباشراً إذا تعلق الأمر بجرعات الدواء أو إهمال تشخيص خطير.
- انحياز البيانات: تتعلم الخوارزميات من بيانات سابقة قد تحمل تحيزات مجتمعية أو تاريخية. على سبيل المثال، أظهرت دراسة في مجلة “ساينس” تقليل خوارزمية رعاية صحية من تقدير احتياجات المرضى السود مقارنة بالمرضى البيض نظراً لاعتمادها على تكاليف الرعاية السابقة كمؤشر للحاجة.
- تغير الأداء السريري: قد يختلف أداء النظام تماماً عند نقله من بيئة التطوير إلى مستشفى حقيقي؛ ففي تجربة بجامعة ميشيغان لتوقع الإنتان (تعفن الدم)، فشل نموذج إلكتروني في اكتشاف 67% من الحالات الفعلية بينما أصدر إنذارات خاطئة لـ 18% من المرضى، مما يؤدي إلى “إرهاق الإنذارات” للطاقم الطبي.
انحياز الأتمتة وفقدان المهارة
يواجه الأطباء خطراً نفسياً يُعرف بـ انحياز الأتمتة، حيث يثقون بتوصيات النظام لدرجة قبولها حتى عندما تكون خاطئة، مما يؤدي أحياناً إلى عدول الطبيب عن قراره الصحيح متأثراً بالخوارزمية. كما يثير الاعتماد المفرط قلقاً بشأن تراجع مهارات التفكير النقدي لدى الأطباء المقيمين والطلاب.
نحو تكامل آمن لا منافسة
الهدف من الذكاء الاصطناعي ليس استبدال الطبيب، بل تعزيز دقته وكفاءته. ولضمان تحقيق ذلك، توصي منظمة الصحة العالمية والجهات التنظيمية بما يلي:
- اخضاع الأنظمة لتجارب سريرية واسعة على مرضى حقيقيين قبل الاعتماد.
- المراقبة المستمرة لأداء الخوارزميات طوال دورة حياتها لاكتشاف أي تراجع في الدقة.
- احتفاظ الطبيب بالمسؤولية النهائية والقرار السريري المستقل، مدعوماً بالشك العلمي والخبرة البشرية.
