لا أزال أسمع القصة نفسها: يستلم أحدهم ملف PDF لتحاليل الكيمياء الحيوية من المختبر، فيفتح ChatGPT، ويرفق الملف، ويكتب «اشرح لي هذا». وبعد دقيقة يعيد النموذج إجابةً واثقة — مفيدة أحياناً، وبعيدة عن الصواب تماماً أحياناً أخرى. وفي الحالتين ينصرف المريض وهو يشعر بأنّه «فهم كل شيء».
هذا السيناريو يقلقني، وليس لأنّني أبني ذكاءً اصطناعياً طبياً لكسب عيشي. يقلقني لأنّ خلفيتي الأكاديمية في العلوم المعرفية وبنية نماذج اللغة، وأدرك تماماً ما لا تستطيع هذه الأنظمة فعله. ChatGPT أداة ممتازة عامّة الأغراض. لكن بين «ممتازة» و«مناسبة لتفسير تحاليلك» هوّة يسقط فيها كل يوم أناسٌ متعلّمون وحذرون.
في هذه المقالة أريد أن أشرح لك — دون تهويل، ودون مبالغة، ودون تسويق — كيف تعمل نماذج اللغة عامّة الأغراض فعلياً، ولماذا تتعثّر تحديداً في السياقات الطبية، وفي أي سيناريوهات تبقى مفيدة حقاً. وسأوضّح على طول الطريق ما نفعله بشكل مختلف في Wizey ولماذا.
النسخة القصيرة وغير التقنية، إن لم تقرأ سواها: نموذج عامّ الأغراض مثل ChatGPT هو خبير موسوعي عام — معرفته واسعة الانتشار ضحلة العمق، مرقّعة من كل ما قرأه، من الأبحاث المحكّمة إلى خيوط النقاش على Reddit. يستطيع ببراعة أن يربط «ارتفاع الكوليسترول» بـ«أمراض القلب» لأنّه رأى هاتين العبارتين معاً مليون مرة — لكنّ هذا ارتباط إحصائي، لا مسار فسيولوجي. أمّا النظام الطبي المتخصّص فيتصرّف أقرب إلى الاختصاصي: يعمل انطلاقاً من خريطة منظَّمة للعلاقات الطبية — الفكرة الكامنة وراء شبكة المعرفة الطبية — بدلاً من بحرٍ مسطّح من النصوص. وهو مبنيّ لتغطية الميل الأخير: الخطوة من المعلومة الخام إلى إجراء تالٍ محدَّد — أيّ نتيجة أو نتيجتين تستحقّ النقاش فعلاً، وأيّ اختصاصي ينبغي زيارته، وماذا تسأل في موعدك. وحتى عندما تكون معلومات ChatGPT صحيحة، فإنّه يتوقّف دائماً تقريباً عند عبارة عامة: «استشر طبيباً».
نموذج LLM عامّ الأغراض مقابل الذكاء الاصطناعي الطبي المتخصّص: الفجوة المعمارية
ChatGPT نموذج لغوي كبير عامّ الأغراض (LLM)، مُدرَّب على التنبّؤ بالتوكن التالي في مدوّنة ضخمة من نصوص الإنترنت. يعرف قليلاً عن كل شيء — من وصفات حساء البورشت إلى الديناميكا اللونية الكمومية. ومن زاوية معمارية، الطب مجرّد مجال آخر بين مجالات كثيرة. لا شيء في تصميم النموذج يمنح الاستدلال السريري أيّ أولوية.
يُبنى الذكاء الاصطناعي الطبي المتخصّص بشكل مختلف. فهو ليس نموذجاً واحداً — بل خطّ معالجة متكامل: التعرّف على المستندات (OCR)، وتحليل صارم لكل مؤشّر مخبري وتحويله إلى كائن منظَّم، والتحقّق منه وفق النطاقات المرجعية وأعراف الوحدات، وعندها فقط يأتي دور وحدة تحليلية تقارن البيانات بالإرشادات السريرية. وفي المرحلة الأخيرة نستخدم Retrieval-Augmented Generation (RAG)، وهي التقنية التي وُصِفت لأول مرة في ورقة Lewis et al. (2020) الكلاسيكية. تعني RAG أنّ النموذج لا يجيب «من رأسه» — بل يسترجع مقاطع ذات صلة من قاعدة معرفة موثوقة ويستدلّ بناءً عليها.
الفارق الجوهري: النموذج عامّ الأغراض يولّد إجابة؛ أمّا النظام الطبي المتخصّص فـيسترجع ويطابق مع بيانات منظَّمة. الأول قد يكون مبدعاً ومخطئاً. والثاني مُلزَم بأن يكون دقيقاً وقابلاً للتنبّؤ. في الطب، الإبداع نمطٌ مضادّ.
Lost in the Middle: المشكلة الحقيقية، لا «نافذة السياق الصغيرة»
من أكثر الخرافات صموداً حول ChatGPT أنّه «لا يستطيع التعامل مع تقارير المختبر الطويلة لأنّ نافذة سياقه صغيرة جداً». في عام 2026 لم يعد هذا صحيحاً ببساطة. فالنماذج الرائدة من فئة GPT باتت تدعم نوافذ سياق تناهز مليون توكن؛ كما تعمل نماذج Claude من Anthropic في فئة Opus وGemini 3.x من Google على مقياس المليون توكن أيضاً. وملف PDF مخبري من خمس صفحات يتّسع بهامش هائل.
وللمشكلة الحقيقية اسم: Lost in the Middle. وقد وصفها بالتفصيل Liu et al. (2023, Stanford). فحين تُغذّي نموذج LLM بسياق طويل، يكون النموذج بارعاً في استخراج المعلومات من البداية والنهاية، لكنّ دقّته «تهبط» في الوسط. وإذا رسمت الدقّة بحسب الموضع، بدا المنحنى على شكل حرف U — مرتفعٌ عند الطرفين، ومنخفضٌ كوادٍ في الوسط. وهذا يصحّ حتى للنماذج ذات نوافذ المليون توكن.
ماذا يعني هذا لتحاليلك؟ إذا وضع ملف PDF من خمس صفحات مؤشّراً حرجاً — وليكن ارتفاع البروتين المتفاعل C (CRP) — في الصفحة الثالثة، أي في منتصف المُدخل تماماً، فإنّ احتمال ألّا «يراه» النموذج عامّ الأغراض عند الاستدلال يكون أعلى بدرجة ملموسة. ليس أن ينسى وجوده، بل أن يبخس وزنه في الخلاصة النهائية. في نصٍّ إبداعي يكون هذا غير مرئي. أمّا في الكيمياء الحيوية فهو التهاب جهازي فائت.
في نظامنا نتجاوز هذا التأثير معمارياً. إذ تُستخرَج البيانات أولاً إلى جدول صارم، ولا يُسلَّم إلى الوحدة التحليلية سوى ذلك الجدول. ويسلك Lost in the Middle سلوكاً مختلفاً تماماً في جدول منظَّم من 30 صفاً عمّا يسلكه في خمس صفحات من النص المتدفّق.
ولأنّ أكثر أسئلة المستخدمين شيوعاً هو «كم عدد المؤشّرات التي يمكنني رفعها دفعةً واحدة فعلاً»، دعني أكون محدَّداً. يعالج Wizey بانتظام ملفات PDF تضمّ 80 أو 100 بل وأكثر من 150 مؤشّراً من زيارة واحدة — الكيمياء الحيوية، والهرمونات، وتعداد الدم الكامل، ومجموعة التخثّر، وصورة الدهون، والفحوص المناعية، كلّها دفعةً واحدة. كل رقم يدخل التحليل، وتبحث الوحدة التحليلية عن العلاقات عبر كل المجموعات بالتوازي: كيف يرتبط TSH بالكوليسترول، وكيف يُقرأ الفيريتين في ضوء البروتين المتفاعل C، وكيف يتفاعل الجلوكوز مع الدهون الثلاثية والإنسولين، وكيف يجتمع تغيّر الكرياتينين على مدى سنتين مع اتجاهات ضغط الدم. لن يبني نموذج LLM عامّ الأغراض شبكة العلاقات تلك — فهو عاجز فيزيائياً عن إبقاء عشرات المتغيّرات المستقلّة في بؤرة تركيزه ومقارنتها تقاطعياً دون تمثيل منظَّم.
الهلوسة: لماذا الطب أسوأ مجال لها
نماذج اللغة الكبيرة تُهلوِس — تنتج معلومات مصوغة بثقة لا وجود لها في بيانات تدريبها ولا في الواقع. وليس هذا خللاً؛ بل نتيجة مباشرة لكيفية عمل التنبّؤ الاحتمالي بالتوكن. فالنموذج مُحسَّن للمعقولية، لا للحقيقة.
في معظم المهام، هذا مقبول. فإذا اخترع ChatGPT دالّةً غير موجودة في مكتبة برمجية نادرة، حصل المبرمج على خطأ عند التصريف فأصلحه. وإذا أخطأ في تأريخ فيلم، لم يتضرّر أحد.
في الطب تختلف الكلفة. فقد «يستدعي» روبوت المحادثة بثقة نطاقاً مرجعياً لا وجود له. وقد يقترح علاقة بين مؤشّرين لم تظهر قط في الأدبيات. وقد يذكر دواءً يخفّف عَرَضاً مع إغفال مضادّ استطباب «لم يأخذه النموذج في الحسبان». وكل هذا يُقدَّم بالنبرة الهادئة الواثقة نفسها التي يُجاب بها سؤال عن عاصمة فرنسا.
تحلّ الأنظمة المتخصّصة هذا بضوابط صارمة: فالوحدة التحليلية لا تستدلّ إلّا ضمن إرشادات سريرية محمّلة مسبقاً. وإن لم تكن هناك قاعدة، يجيب النظام بـ«بيانات غير كافية» بدلاً من اختلاق واحدة.
الخصوصية: ماذا يحدث لملف PDF الخاص بك بعد رفعه إلى ChatGPT
هذا هو الجزء الذي لا يفكّر فيه أحد تقريباً. فحين ترفع تقرير مختبر إلى حساب ChatGPT مجاني أو Plus — ماذا يحدث فعلاً لذلك الملف؟
وفق سياسة OpenAI الحالية، فإنّ المحادثات في المنتجات الاستهلاكية (ChatGPT Free وPlus وPro) قد تُستخدَم افتراضياً لتحسين النماذج. يمكنك إيقاف ذلك يدوياً عبر ضوابط البيانات، أو استخدام «الدردشة المؤقتة» (Temporary Chat) — لكنّ معظم المستخدمين لا يفعلون. وفي الخطط المؤسسية (Team وEnterprise وAPI) لا تُستخدَم البيانات للتدريب افتراضياً، لكنّ المستخدم النهائي المعتاد ليس مشتركاً في تلك الخطط.
عادةً ما يحتوي تقرير المختبر على: اسمك الكامل، وتاريخ ميلادك، وأحياناً عنوانك، ورقم تأمينك أو وثيقتك، واسم المختبر والطبيب الطالب للتحليل. وبموجب إطارَي HIPAA الأمريكي وGDPR الأوروبي، تُعدّ هذه بيانات صحية شخصية من فئة خاصة (تُسمّى في الولايات المتحدة المعلومات الصحية المحمية Protected Health Information أو PHI، و«بيانات الفئة الخاصة» بموجب المادة 9 من GDPR). والمستشفيات والعيادات والخدمات الخاضعة لـ HIPAA مُلزَمة بمعالجة هذه البيانات بموجب اتفاقيات الشركاء التجاريين (Business Associate Agreements)؛ أمّا منتج محادثة استهلاكي فلا التزام عليه من هذا النوع تجاه فرد من العامة يرفع ملفّه الخاص. ومن الناحية الرسمية لا يخالف المريض أي قانون — فأنت تمارس التحكّم في بياناتك الخاصة — لكنّك أيضاً بلا أي رؤية لما يحدث بعد ذلك.
أنا لا أدعو إلى جنون الارتياب. فمعظم الناس يرفعون تحاليلهم وتمضي الحياة. لكن إن كانت الخصوصية الطبية تهمّك ولو قليلاً، فذلك حجّة حقيقية لاستخدام خدمات تعمل في بيئة محمية وتصف بلغة بسيطة ما تفعله بملفّاتك.
متى يكون الذكاء الاصطناعي عامّ الأغراض خطيراً بوجه خاص
أخطر موقف على الإطلاق ليس مؤشّراً معزولاً — بل الحالة التي تحتاج فيها إلى رؤية العلاقة بين عشرات المتغيّرات وفهم السياق السريري. وإليك بعض المطبّات النموذجية:
- المجموعات الكبيرة (أكثر من 15 مؤشّراً دفعةً واحدة). يدخل Lost in the Middle حيّز الفعل: سيعلّق النموذج بثقة على الصفوف الأولى والأخيرة، بينما يفوته التحوّلات الطفيفة لكن المهمّة في الوسط.
- الواسمات الورمية. ينهار حدسُ «فوق النطاق = سيّئ، وضمن النطاق = سليم» تماماً. فكثير من الواسمات الورمية يرتفع في عمليات حميدة، وكثير من المرضى المصابين بأورام مؤكَّدة تكون قيمهم ضمن النطاق الطبيعي. وتميل النماذج عامّة الأغراض إلى إنتاج إجابات نمطية جاهزة إمّا تخيفك بلا سبب وإمّا تطمئنك زوراً.
- الفيريتين مقروءاً بمعزل عن الالتهاب. مطبّ كلاسيكي: يرى ChatGPT ارتفاع الفيريتين فيقول «لديك حديد زائد، قلّل من اللحم الأحمر». لكنّ الفيريتين بروتين من بروتينات الطور الحادّ، وارتفاعه كثيراً ما يعكس التهاباً جهازياً لا مخزون الحديد. ودون النظر في آنٍ واحد إلى البروتين المتفاعل C وتعداد الدم، تكون قراءة «فرط الحديد» خطأً.
- تحاليل الأطفال. تتغيّر النطاقات المرجعية عند الأطفال بحسب العمر شهراً بشهر. وتُقحِم النماذج عامّة الأغراض بانتظام نطاقات البالغين، فيتلقّى الوالدان إمّا إنذاراً كاذباً وإمّا طمأنة كاذبة.
مقارنة عبر المعايير التي تهمّ
الصورة الكاملة، مكثّفة في جدول:
| المعيار | ChatGPT عامّ الأغراض | الذكاء الاصطناعي الطبي المتخصّص (Wizey) |
|---|---|---|
| المعمارية | نموذج LLM واحد كبير، إجابة توليدية | خطّ معالجة: OCR، ثمّ تحليل، ثمّ RAG استناداً إلى الإرشادات السريرية |
| دقّة الاستخراج الرقمي | متوسّطة، وتتدهور في منتصف المستند (Lost in the Middle) | مضمونة — كل مؤشّر يُحلَّل إلى كائن منظَّم |
| الحماية من الهلوسة | ضئيلة، إجابة مُحسَّنة للمعقولية | ضوابط صارمة، إجابة محدودة بالبروتوكولات |
| حجم البيانات المُعالَج | يتدهور مع المجموعات الكبيرة | ثابت مع أكثر من 100 مؤشّر لكل زيارة |
| اكتشاف العلاقات | أنماط عامة، بلا ضمانات | مقارنة تقاطعية منهجية عبر كل المجموعات |
| الديناميكا عبر السنوات | لا تُتابَع بين الجلسات | اتجاهات ومقارنة من زيارة إلى زيارة |
| التوجيه إلى الاختصاصي | عامّ («استشر طبيباً») | قائم على خوارزميات سريرية محدَّدة |
| الخصوصية من جهة المستخدم | قد تدخل البيانات مجموعات التدريب، وخوادم عالمية | بيئة محمية، ومعالجة بيانات صريحة |
| حالة الاستخدام الأنسب | شرح المصطلحات، والترجمة، والأسئلة العامة | تفسير التحاليل، والتحضير للزيارة، وتتبّع الديناميكا |
خوارزمية خطوة بخطوة للمرضى الذين بين أيديهم نتائج تحاليل حديثة
النسخة القصيرة: لا تبحث في Google عن المؤشّرات واحداً تلو الآخر، ولا تلصق كل شيء في أول روبوت محادثة تراه. اعمل بشكل منهجي.
- لا تُصَب بالهلع. النطاق المرجعي هو الحزمة التي تشمل نحو 95% من الأشخاص الأصحّاء ظاهرياً. وبحكم التعريف، نحو 5% من الأصحّاء يقعون خارجه. والقيمة خارج النطاق دعوةٌ للتحرّي، لا تشخيص.
- اجمع بياناتك في مكان واحد. إن كانت لديك نتائج سنوات عدّة، فذلك كنز. فكثير من أهمّ الإشارات يكمن في الاتجاهات، لا في القيم المطلقة.
- استخدم أداة لا تُضيّع البيانات. قد تكون خدمة متخصّصة، أو جدول بيانات منظَّم — المهمّ أن يكون كل رقم محسوباً.
- ابحث عن المتلازمات، لا الأرقام المعزولة. فالجلوكوز + HbA1c + الدهون الثلاثية + HDL معاً تخبرك عن الأيض أكثر بكثير من أي قيمة منفردة بمفردها.
- حدِّد الاختصاصي المناسب. غالباً ما يكون أكبر مردود لتفسير سليم للتحاليل هو معرفة ما إذا كان عليك مراجعة طبيب عام، أو اختصاصي الغدد الصمّاء، أو اختصاصي أمراض الدم. وهذا يوفّر أسابيع من القلق والمال.
- احضر إلى موعدك مستعدّاً. صُغ أسئلة محدّدة. فمن الأسهل على الطبيب أن يجيب عن «هل يمكن أن يشير TSH لديّ مع T4 الحرّ هذا إلى قصور غدة درقية تحت سريري؟» بدلاً من «أرجو إصلاح هذه الأرقام السيّئة».
متى يكون ChatGPT مفيداً حقاً في سياق طبي
لا أريد لهذه المقالة أن تبدو أحادية الجانب. فنماذج LLM عامّة الأغراض مفيدة حقاً في الطب — لكن ليس حيث تُستخدَم غالباً. وإليك بعض السيناريوهات التي أستخدمها فيها بنفسي:
- شرح المصطلحات. ما هو معدّل ترسّب كريات الدم الحمراء (ESR)، والفرق بين البيليروبين المباشر وغير المباشر، وما معنى «فرط الحمضات» — يشرح ChatGPT المفاهيم بوضوح.
- ترجمة التقارير الطبية من لغات أخرى، مع ملاحظات سياقية.
- صياغة قائمة أسئلة للطبيب انطلاقاً من الأعراض والسياق العام.
- التوجّه في مجال طبي غير مألوف — معرفة أنّ اختصاصاً كهذا موجود، وكيف تبدو مقاربات العلاج، وما الكلمات المفتاحية التي تستخدمها لقراءة أعمق.
- المساعدة في قراءة الأوراق العلمية، بعد أن تكون قد بدأت التعمّق في موضوع ما.
وما يفعله بشكل سيّئ: تفسير قيم مخبرية محدّدة، والتشخيص، وتقييم الديناميكا عبر عدّة زيارات، والتوصية بالأدوية. وكل ذلك يتعلّق بدقّة البيانات، لا بشرح المفاهيم. والدراسة الشهيرة Kung et al. (2023, PLOS Digital Health) — تلك التي «اجتاز فيها ChatGPT امتحان USMLE» — أبلغت في الواقع عن أداء حدّي (نحو 60%)، ويشدّد مؤلّفوها أنفسهم على أنّ الإجابة عن أسئلة السيناريوهات السريرية ليست كالتفكير السريري. فالذكاء الاصطناعي قد يستدلّ كطبيب؛ لكنّه لا يتحمّل المسؤولية القانونية للطبيب. وهذان أمران مختلفان.
أسئلة شائعة موجزة
هل يمكن أن يخطئ الذكاء الاصطناعي الطبي المتخصّص أيضاً؟ نعم. فأي ذكاء اصطناعي أداة لدعم القرار، لا عرّاف. لكنّ احتمال أن يفوته قيمة من تقريرك أو يختلق تشخيصاً غير موجود يُقلَّص إلى أدنى حدّ في نظام مصمَّم جيداً، عبر تحليل صارم واسترجاع محدود بالإرشادات السريرية.
لماذا أحتاج إلى ذكاء اصطناعي إن كان طبيبي سيراجع التحاليل على أي حال؟ لكي تصل ببيانات منظَّمة وأسئلة محدّدة. فوقت الموعد محدود، وإذا ذهبت الدقائق الـ15 الأولى في نسخ أرقامك، لم يبقَ للتحليل شيء يُذكَر تقريباً.
كم عدد المؤشّرات التي يستطيع Wizey تحليلها دفعةً واحدة؟ في الممارسة الفعلية، أكثر من 100 لكل زيارة. الكيمياء الحيوية، والهرمونات، وتعداد الدم، والتخثّر، وصورة الدهون، كلّها معاً. وتبحث الوحدة التحليلية عن العلاقات عبر كل المجموعات بالتوازي، دون إسقاط أي رقم.
هل يمكنني رفع تحاليل قديمة من قبل عدّة سنوات؟ هذا أنفع شيء يمكنك فعله على الإطلاق. فالطب قوامه الديناميكا. لا أحد يستطيع أن يحفظ مئات الأرقام على مدى خمس سنوات في ذهنه؛ أمّا الخدمة المناسبة فتبني الاتجاهات فوراً.
إن كنت مستخدماً متقدّماً — هل يمكنني استخدام ChatGPT للتحاليل؟ يمكنك، لكن بحذر. تذكّر Lost in the Middle والهلوسة، وتحقّق من العتبات الرقمية مقابل المراجع، ولا ترفع مستندات حسّاسة على مستوى استهلاكي دون فهم سياسة الخصوصية.
الخلاصة
لقد غيّر الذكاء الاصطناعي طريقة تعاملنا مع صحّتنا، وهذا في المجمل أمر جيّد. لكنّ نموذج اللغة عامّ الأغراض والذكاء الاصطناعي الطبي المتخصّص أداتان مختلفتان. هما «ذكيّتان» بالقدر نفسه من حيث المعمارية، لكنّهما مبنيّتان لمهامّ مختلفة.
إن أردت تجربة أداة صُمِّمت خصّيصاً لتفسير التحاليل — أداة تأخذ على محمل الجدّ كل ما وصفته أعلاه — فهذا بالضبط ما بنينا Wizey لأجله. لا وعود بـ«شفاء» أي شيء. مجرّد ضمان بألّا يضيع أي رقم من تقريرك، وأنّ أي خلاصة يقدّمها يمكن أن تُعرَض على طبيبك بثقة.
