تصل أدوات AI إلى مختبرات الباثولوجي بسرعة أكبر من قدرة السياسات الداخلية على اللحاق بها. قد يبدأ الأمر بطلب بسيط: خوارزمية تقترح مناطق الاهتمام على WSI، أداة تساعد في ترتيب الحالات، أو نظام يراقب الجودة ويعطي إنذاراً عند وجود مشكلة في المسح. من الخارج تبدو هذه الإضافات تقنية. داخل المختبر، هي تدخل في مسار التقرير، وفي مسؤولية طبيب الباثولوجي، وفي علاقة المختبر بالمريض والجهة المنظمة.
المقال المنشور في Pathology News عن AI في الباثولوجي وطب المختبر يضع النقاش في مكانه الصحيح: القضية ليست دقة النموذج وحدها. السؤال العملي يبدأ قبل ذلك بكثير. أين توجد الأداة داخل workflow؟ من راجع بيانات التدريب؟ ماذا يحدث عندما تفشل؟ ومن يتحمل القرار إذا قبل الطبيب اقتراحاً آلياً اتضح لاحقاً أنه غير مناسب للحالة؟
المشكلة تبدأ عندما يدخل AI بلا مالك واضح
في مختبر تقليدي، لكل خطوة مالك معروف. العينة لها مسار. الصبغات لها ضوابط. WSI لها متطلبات جودة. التقرير النهائي يحمل توقيع طبيب الباثولوجي. مع AI، قد يظهر طرف جديد بين هذه النقاط: مورد خارجي، منصة سحابية، أداة مدمجة في image management system، أو module داخل نظام أكبر. إذا لم يحدد المختبر المسؤوليات منذ البداية، يصبح الخطأ موزعاً على الجميع، ولا يملكه أحد فعلياً.
هذا الخطر ليس نظرياً. أداة triage قد تؤخر حالة تحمل finding مهم لأنها وضعتها في أولوية منخفضة. خوارزمية تقيس biomarker قد تعمل جيداً على مجموعة تدريب معينة، ثم تتراجع مع اختلاف scanner أو نوع fixation أو طريقة القص. نظام يلخص تقريراً قد يختصر جملة حرجة أو يخلط بين قياسين. هذه أمثلة صغيرة، لكنها كافية لتغيير قرار سريري.
لذلك يحتاج المختبر إلى سجل واضح قبل التشغيل: ما وظيفة AI؟ هل يقدم قياساً، ترتيباً، تنبيهاً، اقتراحاً تشخيصياً، أو عملاً إدارياً؟ ما المدخلات التي يستخدمها؟ ما الحدود التي يمنع تجاوزه؟ وما النقطة التي يجب أن يتدخل فيها طبيب الباثولوجي بدلاً من ترك النظام يعمل بصمت؟
التحقق المحلي أهم من عرض المورد
العروض التجارية تعرض نتائج منظمة وجداول أداء جميلة. طبيب الباثولوجي يحتاج شيئاً آخر: اختباراً على مواد المختبر نفسه. لا يكفي أن يعمل AI على cohort منشور أو على صور عالية الجودة من مركز أكاديمي. يجب أن يرى المختبر أداءه على scanners الموجودة لديه، وعلى صبغاته، وعلى اختلافات التحضير اليومية، وعلى الحالات التي يعرف أنها تربك الإنسان والخوارزمية معاً.
التحقق المحلي لا يعني تكرار دراسة ضخمة. يعني تصميم اختبار واقعي. خذ عينة من الحالات التي تمثل العمل اليومي، وأضف حالات صعبة، ثم قارن مخرجات AI بقراءة أطباء الباثولوجي وبالنتيجة المعتمدة. افصل بين الحالات التعليمية والحالات التي ستدخل في القرار السريري. وسجل الأخطاء بطريقة قابلة للمراجعة: هل الخطأ من جودة WSI؟ من نوع النسيج؟ من artifact؟ من biomarker خارج نطاق التدريب؟
هذه التفاصيل تحدد مكان الأداة. قد تكون مناسبة كتنبيه أولي ولا تصلح كقياس نهائي. قد تساعد junior staff في ترتيب العمل، لكنها تحتاج مراجعة consultant قبل التقرير. وقد تكون مفيدة في audit داخلي أكثر من استخدامها في حالة فردية. القرار هنا طبي ومخبري، لا تسويقي.
الخصوصية ليست بنداً قانونياً في آخر العقد
WSI ليس مجرد ملف صورة. معه metadata، رقم حالة، أحياناً بيانات سريرية، وقد يرتبط بنظام LIS أو بمستودع داخلي. عندما يخرج هذا الملف إلى خدمة سحابية أو يمر عبر منصة طرف ثالث، يجب أن يعرف المختبر أين تذهب البيانات، ومن يستطيع الوصول إليها، وكم تبقى محفوظة، وهل تستخدم لتحسين النموذج لاحقاً.
هذه الأسئلة يجب أن تسبق الشراء. هل توجد معالجة داخلية أم خارجية؟ هل البيانات مشفرة أثناء النقل والتخزين؟ هل يمكن حذفها؟ هل يستخدم المورد الملفات لإعادة التدريب؟ هل يملك المختبر حق audit؟ وهل يمكن فصل بيانات المرضى عن الصور بطريقة مقبولة قبل أي مشاركة خارجية؟
طبيب الباثولوجي لا يحتاج أن يصبح محامياً أو مهندس أمن معلومات. لكنه يحتاج أن يرفض وضع AI داخل workflow إذا لم تكن هذه الإجابات مكتوبة ومفهومة. الثقة السريرية تبدأ من معرفة مسار البيانات، لا من واجهة جميلة على الشاشة.
مسؤولية المورد يجب أن تكون مكتوبة بلغة المختبر
كثير من العقود تصف AI باعتباره أداة مساعدة فقط، ثم تترك كل القرار على المستخدم النهائي. هذا قد يكون مقبولاً إذا كانت الأداة خارج التقرير السريري. لكن عندما تؤثر في ترتيب الحالات أو قياس biomarker أو اختيار field للمراجعة، يجب أن تكون مسؤولية المورد أكثر وضوحاً.
يحتاج المختبر إلى إجابات عملية: ما الإصدارة المستخدمة؟ كيف يعرف الطبيب أن النموذج تغير؟ هل يوجد سجل version لكل نتيجة؟ ماذا يحدث عند تحديث الخوارزمية؟ هل يعاد التحقق المحلي بعد التحديث؟ من يبلغ المختبر عند اكتشاف خلل في performance؟ وما مدة الاستجابة عندما يظهر خطأ متكرر؟
من دون هذه النقاط، يتحول AI إلى صندوق مغلق داخل نظام التقرير. وهذا وضع غير مريح لطبيب الباثولوجي. الطبيب يوقع التقرير، لذلك يجب أن يستطيع شرح الأدوات التي ساعدت في إنتاجه، أو على الأقل يعرف حدودها ومتى يتجاهلها.
الـ audit trail يحمي الطبيب والمريض
أفضل دمج لـ AI داخل المختبر يترك أثراً يمكن مراجعته. لا يحتاج الطبيب إلى كل حساب داخلي للنموذج. يحتاج إلى ما يكفي لفهم القرار: ما الصورة التي عولجت؟ ما النتيجة التي أعطاها النظام؟ هل قبلها الطبيب أم عدلها؟ هل وُجد تنبيه جودة؟ وهل تغيرت النتيجة بعد إعادة المسح أو تحديث البرنامج؟
هذا السجل مهم عند الاختلاف بين القراءات، وعند مراجعة الحالات، وعند اعتماد المختبر. كما يساعد في اكتشاف drift بعد أشهر من التشغيل. إذا بدأت الأخطاء تزيد بعد تغيير scanner أو protocol، فلن يكشف ذلك إلا نظام متابعة منظم. الانطباع العام لا يكفي.
هنا يصبح AI جزءاً من نظام الجودة، لا إضافة منفصلة. يجب أن يدخل في اجتماعات الجودة، وفي مراجعة nonconformities، وفي خطة التدريب، وفي آلية إيقاف الأداة مؤقتاً عند وجود خلل. المختبرات اعتادت هذه اللغة مع الصبغات والأجهزة. المطلوب تطبيقها على البرامج التي تؤثر في التشخيص.
متى يقول طبيب الباثولوجي لا؟
رفض أداة AI لا يعني رفض التقنية. أحياناً يكون الرفض هو القرار المهني الصحيح. إذا لم يعرف المورد بيانات التدريب، أو لم يسمح باختبار محلي، أو لم يوضح طريقة حفظ البيانات، أو لم يقدم سجل version، فالمختبر لا يملك أساساً آمناً للتشغيل السريري.
كذلك يجب التوقف إذا كانت الأداة تضيف نقرات كثيرة إلى workflow من دون فائدة واضحة، أو إذا كانت تنقل عبء المراجعة إلى الطبيب بدل أن تقلله. طبيب الباثولوجي يعمل تحت ضغط عدد الحالات وزمن التقرير. أي نظام جديد يجب أن يحسن نقطة محددة: تقليل missed findings، ضبط القياسات، ترتيب العمل، مراقبة الجودة، أو توثيق القرار. إذا لم يفعل ذلك، فهو عبء جديد باسم AI.
ما الذي يجب أن يطلبه المختبر قبل التشغيل؟
قبل إدخال أي أداة AI، يحتاج الفريق إلى وثيقة تشغيل قصيرة ومفهومة. تبدأ بتعريف الاستخدام المقصود داخل المختبر، ثم بيانات التحقق المحلي، ثم حدود الاستخدام، ثم خطة المتابعة بعد التشغيل. يجب أن تتضمن الوثيقة من يراجع النتائج، ومتى تصبح النتيجة جزءاً من التقرير، ومتى يجب تجاهل المخرجات أو إعادة المعالجة.
كما يجب إشراك IT، الجودة، الإدارة، وطبيب الباثولوجي منذ البداية. إدخال AI بقرار تقني منفرد يخلق مشكلة لاحقاً. إدخاله بقرار مخبري مشترك يجعل المسؤوليات أوضح، ويعطي الطبيب حق الاعتراض عندما لا يخدم النظام التشخيص.
النقطة العملية هي أن AI في الباثولوجي لا ينجح لأنه ذكي على شاشة العرض. ينجح عندما يكون مكانه معروفاً في workflow، وحدوده مكتوبة، وأخطاؤه قابلة للمراجعة، وقراره خاضعاً لطبيب الباثولوجي. عندها يصبح أداة قابلة للاستخدام، لا مخاطرة معلقة داخل التقرير.