يعيق التشتت الواسع لمعلومات المرضى عبر أنظمة متغايرة وغياب آليات تكامل موحدة كفاءة التشخيص الطبي وشموله، فبيانات المريض موزعة بين سجلات تاريخية مرضية ووثائق منظمة مستخرجة من أنظمة معلومات المستشفيات وصور تشخيصية تحمل معلومات غنية لا تصل إلى الطبيب بصورة متكاملة، مما يصعب بناء صورة شاملة عن الحالة في الوقت المناسب، ومن هنا تبرز الحاجة إلى معماريات معلوماتية تدمج هذه المصادر المتنوعة وتوحدها بمعايير دولية وتدعم الطبيب بأدوات ذكاء اصطناعي لتقييم المخاطر واتخاذ القرار التشخيصي
وتعالج هذه الدراسة هذه الحاجة بتقديم إطار معماري متكامل يربط بين دمج البيانات الصحية وتوحيد قياسها وتبادلها وبين التحليل الذكي لها، بما يفيد الباحثين وطلاب الدراسات العليا في المعلوماتية الصحية وهندسة البرمجيات الطبية، إذ يقدم الإطار نموذجًا قابلًا للتعميم على حالات تشخيصية مختلفة، ويعتمد معيارًا دوليًا للتوافقية يضمن اتصالًا سلسًا بأنظمة معلومات المستشفيات القائمة دون الحاجة إلى إعادة بنائها
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تقديم إطار معماري مصمم لدعم الأطباء في عملية التشخيص عبر دمج المعلومات الإكلينيكية والاجتماعية الصحية المتمثلة في التواريخ المرضية للمرضى والوثائق المنظمة المستخرجة من أنظمة معلومات المستشفيات والبيانات المستخرجة آليًا من الصور التشخيصية باستخدام تقنيات الذكاء الاصطناعي، ويتألف الإطار المقترح من وحدات عدة من أبرزها نظام دعم قرار يتيح تقييم المخاطر المرتبطة بحالات إكلينيكية محددة للمريض، وتُجمع المعلومات الإكلينيكية المسترجعة وتوحد قياسيًا وتُرسل إلى أنظمة خارجية لأغراض المتابعة، وضُمنت المواءمة القياسية والتوافقية بين البيانات باعتماد المعيار الدولي إتش إل 7 المعروف باسم فير لموارد التوافقية الصحية السريعة
وطُور تطبيق لنظام أندرويد يتواصل مع أنظمة معلومات مستشفيات مختلفة ليسترجع المعلومات ويجمع البيانات الإكلينيكية ويحسب درجات مخاطر المريض باستخدام خوارزميات ذكاء اصطناعي ويعرض النتائج على المهنيين الصحيين ويولد المعلومات الإكلينيكية ذات الصلة ويشاركها مع أنظمة خارجية بصيغة موحدة، ولإثبات قابلية المعمارية للتطبيق قُدمت دراسة حالة حول تشخيص سرطان الثدي طُور فيها وحدة لتقييم المخاطر بالذكاء الاصطناعي باستخدام مجموعة بيانات صور الموجات فوق الصوتية للثدي التي تشمل حالات حميدة وخبيثة وطبيعية، وطُبقت خوارزميات تعلم آلي لأداء مهمة التصنيف وقُيّم أداء النماذج باستراتيجية التحقق المتقاطع رباعي الطيات لضمان المتانة وقابلية التعميم
ثانيًا: أبرز النتائج
1. حققت طريقة الشبكة العصبية متعددة الطبقات المعروفة باسم المدرك متعدد الطبقات أفضل النتائج بين خوارزميات التعلم الآلي المطبقة في تصنيف صور الموجات فوق الصوتية للثدي
2. بلغت قيمة المقياس إف 1 للنموذج الأفضل 0.97، وهي قيمة تنافسية تدل على قدرة عالية على التصنيف الدقيق للحالات الحميدة والخبيثة والطبيعية في دراسة الحالة
3. تحققت متانة تقييم الأداء وقابلية تعميمه باعتماد استراتيجية التحقق المتقاطع رباعي الطيات عند اختبار نماذج التصنيف على مجموعة البيانات المستخدمة
ثالثًا: دلالات الدراسة وتطبيقاتها
تثبت دراسة الحالة قابلية الإطار المعماري المقترح للتطبيق العملي في دعم التشخيص، فدمج البيانات الإكلينيكية والاجتماعية الصحية مع نتائج التحليل الآلي للصور في بيئة موحدة القياس يختصر زمن وصول الطبيب إلى صورة شاملة عن المريض ويدعم تقييمه للمخاطر بدرجات كمية، كما أن اعتماد معيار فير يجعل الحل قابلًا للربط بأنظمة مستشفيات متنوعة ولتبادل المعلومات مع أنظمة خارجية بصيغة موحدة لأغراض المتابعة، وهو ما يجعل الإطار مرشحًا للتوسع نحو حالات تشخيصية أخرى ومؤسسات صحية متعددة تستفيد من التوافقية والتحليل الذكي معًا
كما يبرز في الإطار المقترح البعد الاجتماعي الصحي للمعلومات المدمجة، إذ لا يقتصر الدمج على البيانات الإكلينيكية وحدها بل يمتد إلى التواريخ المرضية والسياق الاجتماعي الصحي للمريض، وهو ما يقرب الصورة التي يطّلع عليها الطبيب من واقع المريض الشامل وظروفه، ويدعم بذلك قرارات تشخيص ومتابعة أكثر ملاءمة لظروف كل حالة على حدة
وخلاصة القول إن المعمارية المقترحة تقدم نموذجًا متكاملًا لتوحيد البيانات الصحية المتشتتة وتوظيف التعلم الآلي في دعم القرار التشخيصي، وقد أثبتت دراسة حالة سرطان الثدي جدواها بأداء تصنيفي عال، بما يعزز اتجاه المؤسسات الصحية نحو أنظمة معلومات متوافقة وذكية
