2026-11-04 · المصدر：Unite AI p3
تجد أبحاث من ألمانيا والمملكة المتحدة أن سجلات المرضى المجهولة الهوية عمرها عقود قد تجعل أنظمة الذكاء الاصطناعي المدرَّبة تعالج مرضى عام 2026 وفق تواريخ علاج متقادمة.
يُفترض أن يجرد إخفاء الهوية هويةَ المريض من السجلات الطبية، لكن أبحاثًا جديدة من فريق ألماني بريطاني مشترك توحي بأنها لا تعطّل الوزن الإكلينيكي الذي تحمله تلك السجلات. فوفقًا للتعاون بين ألمانيا والمملكة المتحدة، يمكن للسجلات الطبية المجهولة الهوية الممتصة في مجموعات بيانات طبية — حتى منذ عقود — أن تجعل أنظمة الذكاء الاصطناعي المدرَّبة عليها تتعرّف على خصائص المريض الحقيقي بعد سنوات.
والتبعة العملية عدم تطابق زمني داخل نماذج التشخيص. فنموذج يستند إلى سجل أضيف أولًا عام 2012 قد يعامل، فعليًا، مريضًا يتقدم عام 2026 كأن العام ما زال 2012، مطبقًا السياق الطبي لتلك السنة المبكرة على حالة يومنا هذا. وبمثال توضيحي، تشير العمل إلى مريض سُجّل خضع لعلاج السرطان قبل 20 عامًا — نوع المدخل التاريخي الذي قد يستمر في تشكيل كيفية تفسير النظام المدرَّب لرعاية ذلك الشخص طويلًا بعد أن صار العلاج نفسه تاريخًا.
ولمطوّري الذكاء الاصطناعي الإكلينيكي وناشريه، تعيد النتيجة تأطير تنقية مجموعات البيانات بوصفها التزامًا بعيد المدى لا تمرينًا امتثاليًا لمرة واحدة. فالسجلات المجمعة في عصر سابق تبقى مدمجة في جسيمات التدريب، وتحذر الدراسة من أن إخفاء الهوية قد لا يمنع النماذج المدرَّبة من إعادة ربط تلك السجلات بخصائص مرضى قابلة للتعرّف بعد سنوات عديدة.
ويؤطر التعاون الألماني البريطاني المشكلة بوصفها بنيوية لا عرضية: أي سجل مجهول الهوية يحتفظ، فعليًا، بطابع زمني — السنة التي دخل فيها مجموعة البيانات — وقد تسحب الأنظمة المدرَّبة الاستدلالَ الحاضر نحو تلك اللحظة. والتبعة أن عمر مجموعة البيانات ومصدرها مهمان إلى جانب حجمها، وأن مجموعة البيانات الطبية تعمل بوصفها أرشيفًا متراكمًا أكثر من كونها أصلًا ساكنًا، قد تعود فيه مداخلات عمرها عقود لتشكّل التشخيصات الحالية.
الوسوم: Medical AI · AI Diagnostics · Data Anonymization · Healthcare Datasets · Training Data
萬安算交所 AIXX · AIXX · بورصة الحوسبة الموثقة · قاعة التداول