ذكاء مايكروسوفت التشخيصي يتفوق على الأطباء في اكتشاف الأمراض

في غرفة فحص مزدحمة، كثيرًا ما يبدأ التشخيص من تفاصيل صغيرة تبدو عابرة: عرض غير مألوف، تاريخ مرضي ناقص، أو فحص يُطلب في اللحظة المناسبة. لهذا يبدو ادعاء مايكروسوفت بأن أداتها الجديدة تتفوّق على الأطباء في تشخيص بعض الحالات خبرًا يستحق التوقف عنده، لا بسبب الأرقام وحدها، بل لأنه يكشف إلى أين تتجه أنظمة الذكاء الاصطناعي في واحدة من أكثر البيئات حساسية وتعقيدًا.

بحسب تقرير نشره موقع The Verge استنادًا إلى دراسة ظهرت في مجلة Science، تقول مايكروسوفت إن نظامها المسمّى Diagnostic Orchestrator استطاع تشخيص الحالات الطبية بدقة أعلى من أطباء عموميين في اختبارات مبنية على سيناريوهات سريرية سابقة. الفكرة هنا لا تتعلق بروبوت يقدّم إجابة واحدة، بل بنظام يعمل بأسلوب أقرب إلى لجنة خبراء رقمية، يراجع الأعراض، ويحلل التاريخ المرضي، ويقرّر أي اختبارات يجب طلبها قبل الوصول إلى تشخيص نهائي.

هذه النقطة مهمة تقنيًا، لأن مايكروسوفت لا تروّج لنموذج لغوي يجيب مباشرة، بل لبنية متعددة الوكلاء تحاول محاكاة مسار التفكير السريري نفسه. أي أن الرهان ليس على قوة النموذج فقط، بل على طريقة تنظيم الاستدلال الطبي، وهي زاوية أكثر نضجًا من الاكتفاء بمقارنة نموذج دردشة بطبيب في سؤال وجواب.

وفقًا للدراسة، حقق النظام دقة تقارب 83 بالمئة في حالات مأخوذة من تقارير منشورة في New England Journal of Medicine، مقابل نحو 36 بالمئة لأطباء عموميين استخدموا مراجع، و22 بالمئة لمن عملوا دونها. وفي بيانات من قسم الطوارئ، سجّل النظام 80 بالمئة مقابل متوسط 47 بالمئة للأطباء المشاركين.

لكن هذه الأرقام يجب أن تُقرأ بحذر. المقارنة هنا ليست بين النظام وبين أخصائيين يعملون داخل فريق سريري كامل وتحت ضغط حقيقي، بل أمام حالات مُهيكلة جرى تجميعها ضمن معيار أنشأته مايكروسوفت نفسها باسم SDBench. هذا لا يُبطل النتائج، لكنه يذكّر بأن دقة المختبر ليست دائمًا دقة العيادة، وأن جودة التشخيص في الواقع تتأثر بعوامل لا تظهر كاملة في بيانات الحالة، مثل تواصل المريض، تفاوت الأعراض، وضبابية المعلومات الأولية.

الفرق الأساسي أن Diagnostic Orchestrator لا يتصرّف كمجيب سريع، بل كطبقة تنظيم فوق نموذج أساسي تقول مايكروسوفت إنه يعمل بالاعتماد على GPT-5. هذا يعني أن النظام يقسم المهمة إلى خطوات: توليد فرضيات، تقييم احتمالات، اقتراح فحوص، مراجعة النتائج، ثم تضييق مساحة التشخيص. هذا النوع من الاستدلال المتسلسل أقرب إلى سير العمل الطبي الحقيقي من أي واجهة محادثة مباشرة.

الأهم أن الدراسة تشير أيضًا إلى أن هذا النهج تفوّق على النماذج المتقدمة عندما تعمل منفردة. هنا تظهر قيمة هندسة القرار نفسها، لا مجرد حجم النموذج أو حداثته. في الرعاية الصحية، قد يكون ترتيب التفكير أكثر أهمية من براعة الصياغة، لأن الخطأ لا يظهر في اللغة بل في قرار فحص لم يُطلب أو احتمال لم يُؤخذ بجدية كافية.

مايكروسوفت نفسها تعترف بأن الطريق ما زال طويلًا قبل الاستخدام الواسع. النظام اختُبر على حالات سابقة، لا على مرضى حقيقيين في الزمن الفعلي. والفارق بين الاثنين كبير. في البيئة السريرية، توجد اعتبارات تتعلق بالمسؤولية الطبية، وسلامة المرضى، والامتثال التنظيمي، وسير العمل داخل المستشفى، وحتى قبول الأطباء والممرضين لهذا النوع من الأدوات.

لذلك تبدو الخطوة المقبلة، وهي اختبار النظام داخل المستشفيات بالتعاون مع Beth Israel Deaconess Medical Center، أكثر أهمية من الدراسة نفسها. هنا فقط يمكن معرفة ما إذا كان النظام يندمج فعلًا مع السجلات الصحية الإلكترونية، ويقلل الكلفة، ويرفع الكفاءة، دون أن يضيف تعقيدًا جديدًا أو عبئًا إداريًا إضافيًا على الطاقم الطبي.

السردية السهلة تقول إن الذكاء الاصطناعي سيتفوّق على الطبيب. لكن الواقع على الأرجح أكثر تركيبًا. هذه الأنظمة قد تكون مفيدة جدًا كطبقة دعم سريري، خصوصًا في الحالات المعقدة أو النادرة، أو في البيئات التي تعاني نقصًا في الخبرات المتخصصة. وقد تساعد أيضًا في ترتيب الأولويات، وتحسين اختيار الفحوص، وتقليل الهدر في الموارد.

مع ذلك، يبقى الجانب الإنساني خارج نطاق الأتمتة الكاملة. الطبيب لا يفسّر البيانات فقط، بل يقرأ التردد، والخوف، والسياق الاجتماعي، والقدرة على الالتزام بالعلاج. هذه العناصر ليست هامشية، بل جزء من جودة الرعاية نفسها.

مايكروسوفت تصف هذا المسار بأنه خطوة نحو ما تسميه medical superintelligence، أي ذكاء اصطناعي يتفوّق على أفضل المنظومات البشرية في الرعاية الصحية. والمقصود هنا ليس التشخيص وحده، بل أيضًا تنسيق الرعاية، دعم القرارات العلاجية، والتعامل مع المهام التشغيلية والسريرية المعقدة.

هذا الطموح يعكس تحوّلًا واضحًا في سوق التقنية الصحية. لم تعد الشركات الكبرى تكتفي بإضافة مساعد رقمي إلى منتجاتها، بل تريد بناء طبقة قرار كاملة فوق البنية الصحية القائمة. وإذا نجح هذا الاتجاه، فقد نرى أنظمة ذكاء اصطناعي لا تكتفي باقتراح الإجابة، بل تعيد تشكيل طريقة تقديم الرعاية من الاستقبال حتى المتابعة.

الخبر هنا ليس أن الآلة أصبحت طبيبًا أفضل، بل أن بنية الذكاء الاصطناعي بدأت تقترب من منطق الممارسة الطبية بدل الاكتفاء بمحاكاة اللغة. وهذا تطور مهم، لكنه لا يُحسم بنتيجة منشورة أو نسبة دقة مرتفعة. ما سيحسمه فعليًا هو الأداء تحت الضغط، وبين المرضى الحقيقيين، وداخل نظام صحي مليء بالتفاصيل التي لا تظهر في الرسوم البيانية.

إذا أثبتت هذه الأدوات قدرتها على تقليل الخطأ وتحسين القرار دون إضعاف دور الطبيب، فسنكون أمام تحول عميق في الرعاية الصحية. أما إذا بقيت متفوقة فقط داخل الاختبارات المحكمة، فستظل مثالًا آخر على أن الذكاء في الطب لا يُقاس بما يعرفه النظام فقط، بل بما يحدث عندما يلتقي هذا المعرفة بالواقع الإنساني.