شهد قطاع الرعاية الصحية في السنوات الأخيرة تقدماً هائلاً في استخدامات الذكاء الاصطناعي وتعلم الآلة. حيث يمكن لهاتين التقنيتين إحداث ثورة في أساليب تقديم خدمات الرعاية الصحية والتشخيص وتخطيط عمليات العلاج المختلفة. لكن على الجانب الآخر وبحسب راهول ياداف، الرئيس التنفيذي للشؤون التقنية لدى مايلستون سيستمز، يصطدم إحراز المزيد من التقدم في مشروعات الذكاء الاصطناعي وتعلم الآلة في قطاع الرعاية الصحية بالحاجة الماسة إلى كميات ضخمة من البيانات المعنونة بدقة، وذلك لأغراض تدريب نماذج الحلول التقنية؛ وهنا يأتي الدور المحوري لما يعرف باسم البيانات التركيبية.
تشير البيانات التركيبية إلى بيانات مولدة اصطناعياً تحتوي على معلومات مولدة بواسطة الحاسوب، وتقدم هذه البيانات التركيبية حلاً لمعالجة أزمة ندرة البيانات المتاحة للتدريب، إذ تسمح للباحثين والمبرمجين بإنشاء عدة مجموعات متنوعة من البيانات تحاكي بشدة السيناريوهات الواقعية. فهذه البيانات التركيبية طريقة لتوليد بيانات تحتفظ بخصائص التفاصيل الواقعية دون الإضرار بخصوصية الأفراد في نماذج المقاطع المصورة.
تمنح البيانات التركيبية سيطرة كاملة على كميات البيانات المستخدمة والبيئات المتضمنة في مجموعات البيانات، وبالتالي التغلب على معضلة الاعتماد على مصادر قليلة للغاية تؤدي في الغالب إلى معلومات منحازة ونتائج غير دقيقة. وبفضلها؛ يمكن للباحثين توليد مجموعات غزيرة من البيانات، وذلك بتعديل عدة عناصر مثل زاوية الكاميرا وظروف الإضاءة وحتى الخصائص الجسمانية للمرضى أو أبعاد الأشياء من حولهم. وبفضل تعددية الاستخدامات المتاحة؛ يمكننا ضمان انخفاض انحياز المعلومات مما يجعلها أكثر موثوقية في التطبيقات الواقعية.
يمكن للأدوات المتقدمة توليد البيانات التركيبية للحلول الخاصة بالتدريب في قطاع الرعاية الصحية، من بين هذه الأدوات أداة "أنريل إنجين"، وهي أداة لرسومات ألعاب الفيديو تشتهر بقدرتها على إنتاج رسومات ثلاثية الأبعاد تتسم بالواقعية. تستخدم هذه الأداة المحركات الرسومية والفيزيائية لتقليد المشاهد الواقعية والتفاعلات مع الأجسام الحقيقية، ويمكن للمبرمجين استخدام هذه التقنية لبناء بيئات شديدة الواقعية تحتوي على أشياء مجسمة وأشخاص يؤدون العديد من المهام. وبالتالي، أصبح من الممكن إنشاء عدد لا محدود من مجموعات البيانات التركيبية.
كما يحمل استخدام البيانات التركيبية المزيد من المميزات مثل التخفيض الكبير للنفقات، لأن الأساليب التقليدية في جلب البيانات الحقيقية وعنونتها مكلفة في العادة وتستغرق وقتاً طويلاً ، فضلاً عن الحاجة لخبراء في المجال. على النقيض من ذلك، فالبيانات التركيبية تغنينا عن استقدام الخبراء المكلفين بفضل أتمتة عملية العنونة والتصنيف للبيانات. كما يمكن استخدامها لتدريب نماذج الذكاء الاصطناعي وأنظمة مراقبة المرضى وكذلك تحليلات المعلومات التنبؤية وغير ذلك الكثير.
ولضمان فعالية حلول الذكاء الاصطناعي ودقتها وعدالتها، ينبغي إعداد إستراتيجية شاملة، يتطلب ذلك استخدام البيانات الاصطناعية وتطبيق عمليات النماذج لتمكين المتابعة المستمرة طوال دورة حياة حلول الذكاء الاصطناعي. يستلزم التبني لعمليات النماذج الابتعاد عن العقلية التقليدية لتطوير الحلول التقنية وتطبيقها وتركها. بل على العكس؛ تؤكد عمليات النماذج على المتابعة المستمرة وإعادة التدريب واستبدال حل الذكاء الاصطناعي عند الحاجة. تُمكننا هذه العملية من تحديد أي نتائج غير مرغوب فيها أو أعراض جانبية قد تظهر إلى السطح أثناء التطبيق العملي، وبالتالي التعامل معها بنجاح. يمكن لمؤسسات الرعاية الصحية الاستفادة من عمليات النماذج لتحسين درجة دقة النموذج وفعاليته، مما يقود إلى المزيد من الثقة في أنظمة الرعاية الصحية القائمة على الذكاء الاصطناعي ومن ثم زيادة الاعتماد عليها.
