GuideSkill: مهارات قابلة للتنفيذ تعزز دقة التشخيص السريري للذكاء الاصطناعي بنسبة 18.5%

مقدمة

أعلن باحثون عن نظام GuideSkill، وهو طبقة استدلال خارجية تهدف إلى تحسين التفكير السريري لنماذج اللغة الكبيرة (LLMs) من خلال تحويل معايير المبادئ التوجيهية السريرية (CPGs) إلى وظائف قابلة للتنفيذ تُرجع درجات دعم تشخيصي ترتيبية. هذا النهج يعالج قصور الأنظمة الحالية التي تكتفي باسترجاع النصوص أو امتصاصها أثناء التدريب دون تنفيذ قواعدها فعليًا.

كيف يعمل GuideSkill؟

يتكون النظام من نسختين:

• GuideSkill-Zero: يُهيأ مباشرة من المبادئ التوجيهية السريرية.
• GuideSkill-Evo: يستخدم أزواج الحالات والتشخيصات لتحسين المهارات المغطاة وإضافة تشخيصات مفقودة.

أثناء الاستدلال، يقترح النموذج تشخيصًا تفريقيًا، ثم يحدد الميزات المطلوبة لكل مهارة مطابقة، ويدمج ترتيبه مع درجات المهارات المنفذة.

النتائج الرئيسية

أظهرت التجارب عبر أربعة معايير وأربعة نماذج أساسية:

• تحسن GuideSkill-Zero في الدقة المتوسطة الكلية بنسبة 13.45% مقارنة بـ RAG القائم على المبادئ.
• حقق GuideSkill-Evo أعلى متوسط كلي لكل نموذج، بتحسن نسبي 18.49% عن الاستدلال المباشر.
• زاد تغطية المهارات الذهبية من 56.5% إلى 99.5%.
• على نموذج Qwen3.5-9B، تجاوز أقوى خط أساس لتحديث المعلمات بنسبة 11.16% دون تحديث النموذج.

مقارنة مع الأساليب الحالية

الأسلوب	الدقة المتوسطة الكلية	التغطية الذهبية	تحديث النموذج
RAG التقليدي	خط الأساس	منخفضة	لا
GuideSkill-Zero	+13.45%	متوسطة	لا
GuideSkill-Evo	+18.49%	99.5%	لا
تحديث المعلمات	أقل من Evo	-	نعم

الأهمية للمنطقة

بالنسبة للشرق الأوسط، حيث تتوسع استثمارات الرعاية الصحية الرقمية، يقدم GuideSkill حلاً عمليًا لتعزيز دقة التشخيص دون الحاجة إلى بنية تحتية ضخمة لتحديث النماذج، مما يسهل تبنيه في المستشفيات والعيادات الذكية.

ملاحظة للمراجعة البشرية: يُنصح بالتحقق من تفاصيل التجارب السريرية والتأكد من توافق النتائج مع المعايير المحلية قبل النشر النهائي.