الذكاء الاصطناعي في إدارة وحدات العناية المركزة: دليل عملي قائم على الأدلة لفرق الرعاية الحرجة

يُقصد بالذكاء الاصطناعي (Artificial Intelligence, AI) في إدارة وحدات العناية المركزة (Intensive Care Unit, ICU) استخدامُ نماذج التعلم الآلي (Machine Learning) والنماذج اللغوية لمساعدة فرق الرعاية الحرجة (Critical Care) على اكتشاف تدهور حالة المرضى مبكرًا، وترتيب أولويات العمل، وإدارة الأسرّة والكوادر والتوثيق، وذلك دائمًا تحت إشراف الطبيب. والفكرة ليست جديدة، لكن الأدلة العلمية نضجت بسرعة، وهي اليوم تروي قصة أكثر حذرًا مما تقدّمه الحملات التسويقية.

كتب هذا الدليلَ د. خالد أبو الدهب، الطبيب المتخصص في الرعاية الحرجة والرعاية طويلة الأمد، والرئيس السابق لقسم الرعاية طويلة الأمد وإعادة التأهيل في مستشفى جلوبال كير (Global Care Hospital) في أبوظبي. ويتناول الدليل ما يفعله الذكاء الاصطناعي فعليًا في وحدة العناية المركزة (وتُسمّى ITU في المملكة المتحدة)، وما تُظهره الدراسات المحكَّمة بشأن التنبؤ بالإنتان (Sepsis)، ولماذا لا يصل إلا القليل من هذه الأدوات إلى سرير المريض، وكيف يمكن للوحدة أن تبدأ بأمان.

في هذا الدليل

• ما المقصود فعليًا بـ"الذكاء الاصطناعي في إدارة العناية المركزة"؟

• كيف يُستخدم الذكاء الاصطناعي في العناية المركزة اليوم؟

• هل يستطيع الذكاء الاصطناعي التنبؤ بالإنتان في العناية المركزة؟ ماذا تقول الأدلة

• لماذا لا يصل معظم الذكاء الاصطناعي الخاص بالعناية المركزة إلى سرير المريض

• هل الذكاء الاصطناعي آمن في العناية المركزة؟

• هل سيحلّ الذكاء الاصطناعي محل أطباء العناية المركزة؟

• كيف تبدأ باستخدام الذكاء الاصطناعي في وحدة العناية المركزة: قائمة تحقق عملية

• الأسئلة الشائعة

• المراجع

1. ما المقصود فعليًا بـ"الذكاء الاصطناعي في إدارة العناية المركزة"؟

للذكاء الاصطناعي في إدارة العناية المركزة طبقتان. الذكاء الاصطناعي السريري يتنبأ ويدعم القرارات المتعلقة بالإنتان والتدهور والتهوية الآلية وخطر الوفاة. أما الذكاء الاصطناعي التشغيلي فيساعد في إدارة الأسرّة والكوادر وتدفق المرضى والتوثيق. وأبرز التقنيات المستخدمة هي التعلم الآلي، والتعلم العميق (Deep Learning)، ومعالجة اللغة الطبيعية (Natural Language Processing, NLP)، بما فيها النماذج اللغوية الكبيرة (Large Language Models, LLMs). ومعظم هذه الأدوات تكتفي بالتنبؤ أو التلخيص؛ ويبقى القرار للطبيب.

كثيرًا ما يُستخدم هذا المصطلح بشكل فضفاض، لذا من المفيد التمييز بين ما تفعله الأداة وماهيّتها.

الذكاء الاصطناعي السريري مقابل التشغيلي

يعمل الذكاء الاصطناعي السريري على بيانات المريض: العلامات الحيوية، ونتائج المختبر، وإعدادات جهاز التنفس الصناعي، وسجلات الأدوية، والملاحظات الطبية. ويكون ناتجه عادةً درجةَ خطورة أو تنبيهًا، مثل: "خطر إصابة هذا المريض بالإنتان في ارتفاع" أو "قد يكون هذا المريض مستعدًا لتجربة التنفس التلقائي (Spontaneous Breathing Trial)". أما الذكاء الاصطناعي التشغيلي فيتعامل مع الوحدة بوصفها نظامًا متكاملًا؛ فقد يتنبأ بحالات الدخول والخروج، أو يقترح مستويات التوظيف، أو يُعدّ مسودات ملخصات تسليم المناوبة. والأخطاء التشغيلية تكلّف وقتًا ومالًا، أما الأخطاء السريرية فقد تكلّف أرواحًا، ولذلك يجب أن يكون معيار قبول الأدوات السريرية أعلى.

النماذج التنبؤية مقابل الذكاء الاصطناعي التوليدي (LLMs)

تتناول معظم الأدبيات الخاصة بالعناية المركزة النماذجَ التنبؤية (Predictive Models): وهي خوارزميات دُرِّبت على بيانات مرضى سابقين لتقدير احتمال وقوع حدث مستقبلي. ويمكن اختبارها بمقاييس إحصائية مألوفة مثل الحساسية (Sensitivity)، والقيمة التنبؤية الإيجابية (Positive Predictive Value, PPV)، والمساحة تحت منحنى خصائص التشغيل للمستقبِل (Area Under the Receiver Operating Characteristic Curve, AUROC). أما الذكاء الاصطناعي التوليدي (Generative AI)، مثل ChatGPT وغيره من النماذج اللغوية الكبيرة، فيُنتج نصوصًا؛ إذ يمكنه تلخيص ملف المريض أو صياغة مسودة خطاب الخروج، لكنه قد يُنتج أيضًا عبارات سلسة وخاطئة في آن. ولهذا الفرق أهمية في السلامة: فالنموذج التنبؤي يخطئ بإعطاء رقم خاطئ يمكن تدقيقه، بينما قد يخطئ النموذج اللغوي بتقديم فقرة مقنعة لا يراجعها أحد. وللاطلاع على مقارنة أوسع، راجع مقالي حول الذكاء الاصطناعي العام مقابل الذكاء الاصطناعي الطبي.

2. كيف يُستخدم الذكاء الاصطناعي في العناية المركزة اليوم؟

تتركز معظم أبحاث الذكاء الاصطناعي في العناية المركزة على التنبؤ بالمآلات والوفيات، والإنذار المبكر بالتدهور، ومراقبة المرضى. وقد وجدت مراجعة استكشافية (Scoping Review) نُشرت عام 2026 وشملت 112 دراسة أن التعلم الآلي استُخدم في 76.8% منها، لكن 27.7% فقط قدّمت تطبيقات فورية (Real-time) عند سرير المريض. بعبارة أخرى، لا يزال معظم الذكاء الاصطناعي في العناية المركزة تجريبيًا وليس جزءًا من الرعاية الروتينية.

تُعدّ المراجعة الاستكشافية التي أجراها De Cassai وزملاؤه في Korean Journal of Anesthesiology (2026) خريطةً مفيدة لهذا المجال. والاستخدامات التالية هي حيث يتركز النشاط البحثي، لكن ينبغي قراءة كل منها مع استحضار نسبة 27.7% تلك.

الإنذار المبكر واكتشاف التدهور

تفحص نماذج الإنذار المبكر (Early Warning) البيانات المستمرة، مثل معدل ضربات القلب، وضغط الدم، ومعدل التنفس، وتشبّع الأكسجين، واتجاهات نتائج المختبر، لتنبيه الفريق إلى المرضى المعرّضين للتدهور. والوعد هنا هو مراجعة أبكر من قِبل طبيب أول. أما الخطر فهو الضجيج: فالتنبيه الذي يتكرر كثيرًا سرعان ما يُتجاهَل. وهذه هي المفاضلة نفسها التي نراها في نماذج الإنتان، والتي نناقشها بالتفصيل أدناه.

التنبؤ بالإنتان

يُعدّ الإنتان أكثر حالات استخدام الذكاء الاصطناعي في العناية المركزة دراسةً وتسويقًا تجاريًا. وهو أيضًا أوضح مثال على الفجوة بين الأداء في الورقة البحثية والأداء في الجناح الطبي. وتجد الأدلة كاملة، بما فيها نموذج Epic للإنتان (Epic Sepsis Model)، في القسم 3.

دعم التهوية الآلية والفطام عنها

بنى الباحثون نماذج لدعم إعدادات جهاز التنفس الصناعي، والتنبؤ بالجاهزية للفطام (Weaning)، وتقدير خطر فشل نزع الأنبوب الرغامي (Extubation Failure). وتهدف هذه الأدوات إلى مساعدة الفريق على اختيار التوقيت المناسب لتجربة التنفس، وتجنّب نزع الأنبوب المبكر أو المتأخر على حد سواء. وأنا أتعمّد عدم ذكر أرقام أداء هنا، لأن هذا الدليل لا يستخدم إلا أرقامًا من مصادر تحققت منها. وكما في المجالات الأخرى، يبقى السؤال الجوهري لأي أداة تهوية: هل جرى التحقق من صحتها خارج المستشفى الذي طوّرها؟

التنبؤ بالوفيات والمآلات مقارنةً بـAPACHE وSOFA

تُستخدم مقاييس الشدة مثل APACHE وSOFA منذ عقود لوصف مدى خطورة حالة المريض. وتحاول نماذج التعلم الآلي التفوق عليها باستخدام متغيرات أكثر وقياسات متكررة عبر الزمن. غير أن التنبؤ الأفضل لا يعني تلقائيًا رعاية أفضل؛ فدرجة خطر الوفاة لا تكون مفيدة إلا إذا غيّرت قرارًا ما. وأناقش ذلك بتوسع في تحليل مآلات المرضى المدعوم بالذكاء الاصطناعي وفي تقنيات الرعاية الحرجة ومآلات المرضى.

إعادة التأهيل والتعافي في العناية المركزة

لا ينتهي التعافي عند خروج المريض من العناية المركزة. إذ يجري استكشاف الذكاء الاصطناعي لتخصيص التحريك المبكر (Early Mobilisation) ومتابعة التقدم الوظيفي بعد المرض الحرج، وهو أمر بالغ الأهمية للرعاية طويلة الأمد. راجع الذكاء الاصطناعي في إعادة التأهيل في العناية المركزة.

التوثيق وتسليم المناوبة والمساعدات القائمة على النماذج اللغوية الكبيرة

تستطيع النماذج اللغوية صياغة مسودات الملاحظات، وتلخيص فترات التنويم الطويلة، وإعداد قوائم تسليم المناوبة. وقد يوفّر ذلك وقت الأطباء، لكن كل مُخرَج يجب أن يقرأه ويصحّحه الشخص الذي يوقّع عليه. وهي مفيدة أيضًا في التعليم، ضمن الحدود التي أصفها في الذكاء الاصطناعي وتدريب الأطباء المبتدئين. أما في العمل على الأدبيات العلمية، فقد تتفوق الأدوات المتخصصة على روبوتات المحادثة العامة، كما ناقشت في أدوات الذكاء الاصطناعي للبحث العلمي (SciSpace).

3. هل يستطيع الذكاء الاصطناعي التنبؤ بالإنتان في العناية المركزة؟ ماذا تقول الأدلة

أحيانًا، لكن الأداء يتراجع عند الاختبار في ظروف واقعية. فقد وجدت مراجعة منهجية (Systematic Review) شملت 91 دراسة أن الوسيط (Median) لقيمة AUROC انخفض إلى 0.783 عند التحقق الخارجي (External Validation) من النماذج على امتداد النافذة الزمنية الكاملة. كما تُصدر النماذج التجارية المملوكة كثيرًا من الإنذارات الكاذبة: فقد أفاد تحقق استباقي (Prospective Validation) من الإصدار الثاني من نموذج Epic للإنتان في أربعة أنظمة صحية بأن القيمة التنبؤية الإيجابية لم تتجاوز 0.13 إلى 0.26.

لماذا تفشل النماذج "الدقيقة" عند سرير المريض

راجع Wang وزملاؤه (npj Digital Medicine، 2025) 91 دراسة لنماذج التنبؤ الفوري بالإنتان. وعند اختبار النماذج في نقاط زمنية محددة قبيل بدء الإنتان، بدت النتائج قوية: إذ بلغ وسيط AUROC ‏0.886 قبل البدء بست ساعات و0.861 قبله باثنتي عشرة ساعة. لكن عند اختبار النماذج على امتداد فترة التنويم كاملة في بيانات خارجية، وهو أقرب إلى طريقة استخدامها في الواقع، انخفض وسيط AUROC إلى 0.783. كما انخفض مقياس المنفعة (Utility Score) في المراجعة، الذي يعكس الفائدة السريرية، من 0.381 إلى ‎−0.164.

ويترتب على ذلك درسان: أولًا، التحقق الداخلي باستخدام بيانات المطوّر نفسه يُجمّل أداء النموذج. ثانيًا، التوقيت مهم: فالتنبؤ بإنتان سبق أن تعرّف عليه الأطباء لا يضيف شيئًا.

درس نموذج Epic للإنتان

قيّم Kamran وزملاؤه (NEJM AI، 2024) نموذج Epic للإنتان عبر 77,582 حالة تنويم، فبلغت قيمة AUROC ‏0.62. وعندما استبعد الباحثون التنبؤات التي صدرت بعد أن تعرّف الأطباء على الإنتان (مثلًا بعد طلب المزارع أو المضادات الحيوية)، انخفضت القيمة إلى 0.47، أي ليست أفضل من الصدفة. أي أن جزءًا كبيرًا من المهارة الظاهرة للنموذج جاء من رصده لإجراءات الفريق نفسه، لا من اكتشافه للإنتان مبكرًا.

الإصدار الثاني والاعتماد على التعريف

أصدرت Epic نموذجًا محدّثًا. وقد تحقق Wong وزملاؤه (JAMA Network Open، 2026) استباقيًا من الإصدار الثاني لنموذج Epic للإنتان في أربعة أنظمة صحية أمريكية، شملت 227,091 زيارة (Encounter). وتراوحت قيمة AUROC على مستوى الزيارة بين 0.82 و0.92 عبر المواقع، وهو تحسّن واضح، لكن القيمة التنبؤية الإيجابية لم تتجاوز 0.13 إلى 0.26، ما يعني أن معظم التنبيهات لم تكن إنتانًا وأن عبء التنبيهات كان مرتفعًا.

وشغّل Dutta وزملاؤه (JAMA Network Open، 2026) نموذجًا للإنتان في نشر صامت (Silent Deployment) عبر تسعة مستشفيات، بحيث سُجّلت تنبيهاته دون أن تُعرض على الأطباء. ووفق تعريف Sepsis-3، بلغت قيمة AUROC ‏0.89 والقيمة التنبؤية الإيجابية 11.4%، مع وسيط زمن استباق (Lead Time) قدره 3.4 ساعات. وتفاوت الأداء بحسب تعريف الإنتان المستخدم، وهو تذكير بأن "الدقة" تتوقف على المعيار الذي تُقاس عليه.

مقارنة بين أبرز دراسات التنبؤ بالإنتان

• الدراسة: Wang et al., npj Digit Med 2025؛ السياق: مراجعة منهجية لـ91 دراسة عن نماذج الإنتان الفورية؛ AUROC: الوسيط 0.886 (6 ساعات) و0.861 (12 ساعة) قبل البدء؛ 0.783 في التحقق الخارجي على النافذة الكاملة؛ القيمة التنبؤية الإيجابية / الدقة (Precision): لم تُلخَّص في رقم واحد؛ انخفض مقياس المنفعة من 0.381 إلى ‎−0.164؛ الدرس الرئيسي: يتراجع الأداء عند الاختبار الواقعي والخارجي على النافذة الكاملة

• الدراسة: Kamran et al., NEJM AI 2024؛ السياق: نموذج Epic للإنتان، 77,582 حالة تنويم؛ AUROC: 0.62؛ و0.47 عند استبعاد التنبؤات بعد التعرّف السريري؛ القيمة التنبؤية الإيجابية / الدقة (Precision): غير مذكورة هنا؛ الدرس الرئيسي: جاء جزء كبير من الدقة الظاهرة بعد أن تعرّف الأطباء على الإنتان بالفعل

• الدراسة: Wong et al., JAMA Netw Open 2026؛ السياق: الإصدار الثاني من نموذج Epic، دراسة استباقية، 4 أنظمة صحية أمريكية، 227,091 زيارة؛ AUROC: 0.82–0.92 (على مستوى الزيارة، عبر المواقع)؛ القيمة التنبؤية الإيجابية / الدقة (Precision): 0.13–0.26؛ الدرس الرئيسي: تمييز أفضل، لكن معظم التنبيهات إيجابيات كاذبة؛ عبء تنبيهات مرتفع

• الدراسة: Dutta et al., JAMA Netw Open 2026؛ السياق: نشر صامت، 9 مستشفيات؛ AUROC: 0.89 (Sepsis-3)؛ القيمة التنبؤية الإيجابية / الدقة (Precision): 11.4% (Sepsis-3)؛ الدرس الرئيسي: وسيط زمن الاستباق 3.4 ساعات؛ تتفاوت النتائج بحسب تعريف الإنتان المستخدم

ولانخفاض القيمة التنبؤية الإيجابية أهمية أيضًا في الإشراف على استخدام مضادات الميكروبات (Antimicrobial Stewardship)؛ إذ ينطوي كل تنبيه كاذب بالإنتان على خطر طلب مزارع ومضادات حيوية غير ضرورية، وهي مشكلة أناقشها في الإفراط في استخدام المضادات الحيوية في الرعاية طويلة الأمد والعناية المركزة.

4. لماذا لا يصل معظم الذكاء الاصطناعي الخاص بالعناية المركزة إلى سرير المريض

أبحاث الذكاء الاصطناعي في العناية المركزة واسعة لكنها غير ناضجة. فقد وجدت مراجعة نُشرت في JAMA Network Open عام 2025 وشملت 1,263 دراسة أن 74% منها عند مستوى الجاهزية التقنية (Technology Readiness Level) الرابع أو أدنى، وأن 2% فقط بلغت مرحلة التكامل السريري، ولم تبلغ أيٌّ منها مرحلة التطبيق الكامل. ومن بين الدراسات التي قُيّمت، كان لدى 53% منها خطر مرتفع للتحيز (Risk of Bias). ويُعدّ الاعتماد على عدد قليل من قواعد البيانات العامة وغياب التحقق الخارجي أبرز الثغرات.

ويُطلق على ذلك غالبًا اسم الفجوة الانتقالية (Translational Gap): أي المسافة بين نموذج واعد في ورقة بحثية وأداة تُحسّن رعاية المرضى فعليًا.

أحادية البيانات وقابلية التعميم

وجدت مراجعة JAMA Network Open نفسها أن 46% من الدراسات استخدمت قاعدة بيانات MIMIC، وهي مجموعة بيانات عامة مصدرها مركز أكاديمي أمريكي واحد. كما وجدت المراجعة الاستكشافية لعام 2026 أن 24.1% من الدراسات اعتمدت على قواعد بيانات عامة من أمريكا الشمالية. والنموذج المدرَّب على فئة سكانية واحدة، وسجل صحي إلكتروني (Electronic Health Record, EHR) واحد، وأنماط ممارسة بعينها، قد لا يعمل في مكان آخر. وبالنسبة للمستشفيات في الشرق الأوسط وأفريقيا وغيرها من المناطق الممثَّلة تمثيلًا ناقصًا في هذه البيانات، فإن التحقق المحلي ليس خيارًا بل ضرورة.

إرهاق التنبيهات وملاءمة سير العمل

قد يكون النموذج دقيقًا ويفشل مع ذلك إن لم يتلاءم مع سير العمل. فإذا وصلت التنبيهات في توقيت خاطئ، أو إلى الشخص الخطأ، أو بتكرار مفرط، يتعلّم الطاقم تجاهلها. وتُظهر نتائج الإصدار الثاني من نموذج Epic، بقيمة تنبؤية إيجابية بين 0.13 و0.26، مدى سرعة تجاوز عدد التنبيهات لعدد الحالات الحقيقية. ويجب قبل التشغيل الفعلي تحديد من يتلقى التنبيه، وما المتوقع منه فعله، وفي أي إطار زمني.

التحيز والعدالة والأعراض غير النمطية

يُبرز الإجماع الخبراتي (Expert Consensus) المنشور في Critical Care (2025) أن الخوارزميات قد تغفل عن الحالات التي كانت نادرة في بيانات تدريبها، ومثاله على ذلك خوارزمية تفشل في التعرّف على عدوى غير نمطية أو استوائية. فالمرضى الذين يختلفون عن الفئة التي دُرِّب عليها النموذج، من حيث الجغرافيا أو العمر أو العِرق أو الأمراض المصاحبة (Comorbidities)، قد يكونون الأقل استفادة منه. والإفراط في الاعتماد على نتيجة سلبية من الذكاء الاصطناعي لدى مريض كهذا قد يؤخر العلاج.

5. هل الذكاء الاصطناعي آمن في العناية المركزة؟

يمكن أن يكون الذكاء الاصطناعي آمنًا في العناية المركزة إذا جرى التحقق منه محليًا، وحُوكم على النحو الصحيح، ورُوقب بعد التشغيل، واستُخدم لتعزيز الحكم السريري لا لاستبداله. ويوصي إجماع خبراتي نُشر في Critical Care عام 2025 بالانطلاق من مبدأ التعزيز المتبادل بين الإنسان والذكاء الاصطناعي، مع تولّي أطباء العناية المركزة قيادة الحوكمة. والثقة المفرطة في نتيجة سلبية من الذكاء الاصطناعي قد تؤخر العلاج، لذا يجب أن يحافظ الأطباء على تفكيرهم المستقل.

الإشراف البشري وتحيز الأتمتة

تحيز الأتمتة (Automation Bias) هو الميل إلى قبول مُخرَجات الآلة دون تمحيص كافٍ. وفي العناية المركزة، تتمثل صورته الأخطر في الطمأنة الكاذبة: درجة خطورة منخفضة لدى مريض يبدو متعبًا عند السرير. والقاعدة يجب أن تكون بسيطة: إذا تعارضت حالة المريض مع الدرجة، فصدّق المريض وأعد الفحص. ويجب أن يكون مُخرَج الذكاء الاصطناعي مُدخَلًا واحدًا ضمن مدخلات القرار، ويُوثَّق على هذا الأساس.

الخصوصية وحوكمة البيانات

بيانات العناية المركزة من أكثر البيانات حساسية في الرعاية الصحية. وقبل استخدام أي أداة، يجب أن تعرف الوحدة أين تُعالَج البيانات، ومن يملك صلاحية الوصول إليها، وهل تُستخدم في تدريب نماذج المورّد، وكيف تُصان حقوق المرضى. ولصق معلومات تكشف هوية المريض في روبوت محادثة عام ليس ممارسة مقبولة. وللذكاء الاصطناعي كذلك تكاليف بيئية ومالية أناقشها في التكاليف الخفية للذكاء الاصطناعي.

التنظيم

ما زال تنظيم الذكاء الاصطناعي السريري في طور التطور، ويختلف من بلد إلى آخر. وينبغي للفرق قراءة النصوص الأصلية مباشرة، مثل إرشادات إدارة الغذاء والدواء الأمريكية (FDA)، وقانون الذكاء الاصطناعي للاتحاد الأوروبي (EU AI Act)، وإرشادات منظمة الصحة العالمية (WHO) بشأن الذكاء الاصطناعي في الصحة، مع اتباع الجهة التنظيمية الوطنية في بلدهم. ولا يلخّص هذا الدليل المتطلبات القانونية، لأنها ينبغي أن يُتحقق منها من مصدرها ومع الفرق القانونية وفرق الامتثال في مؤسستك.

6. هل سيحلّ الذكاء الاصطناعي محل أطباء العناية المركزة؟

لا. يستطيع الذكاء الاصطناعي أتمتة المهام الروتينية والتنبيه إلى المخاطر، لكن عمل طبيب العناية المركزة (Intensivist) يشمل الاستدلال التشخيصي، والموازنة بين الأسباب المتنافسة، والحكم الأخلاقي، والتواصل مع الأسر، واتخاذ قرارات مخصصة لكل مريض. وتصف المراجعات المنشورة والإجماع الخبراتي لعام 2025 الذكاءَ الاصطناعي بوصفه أداة تعزيز لا بديلًا. وما يتغير هو طبيعة العمل: إذ يجب على الأطباء تعلّم مساءلة مُخرَجات النماذج وتفسيرها.

ما يُجيده الذكاء الاصطناعي وما لا يستطيع فعله

• يمكن للذكاء الاصطناعي المساعدة في: مراقبة تدفقات البيانات المستمرة لرصد الأنماط؛ يبقى الأطباء مسؤولين عن: فحص المريض ودمج السياق

• يمكن للذكاء الاصطناعي المساعدة في: التنبيه إلى ارتفاع درجات الخطورة؛ يبقى الأطباء مسؤولين عن: تقرير ما إذا كان التنبيه حقيقيًا وما يجب فعله

• يمكن للذكاء الاصطناعي المساعدة في: صياغة مسودات الملاحظات والملخصات؛ يبقى الأطباء مسؤولين عن: مراجعة السجل وتصحيحه والتوقيع عليه

• يمكن للذكاء الاصطناعي المساعدة في: التنبؤ بالطلب على الأسرّة؛ يبقى الأطباء مسؤولين عن: ترتيب أولويات المرضى وتوزيع الموارد الشحيحة بعدالة

• يمكن للذكاء الاصطناعي المساعدة في: استرجاع معلومات الإرشادات والأدوية؛ يبقى الأطباء مسؤولين عن: الموازنة بين أهداف الرعاية والأخلاقيات ورغبات الأسرة

سيظل طبيب العناية المركزة في المستقبل القريب يفحص ويقرر ويتواصل. والمهارة الإضافية هي معرفة متى يُرجَّح أن يخطئ النموذج: لدى أي المرضى، وفي أي توقيت، ووفق أي تعريف.

7. كيف تبدأ باستخدام الذكاء الاصطناعي في وحدة العناية المركزة: قائمة تحقق عملية

ابدأ بمشكلة واحدة واضحة، مثل تنبيهات التدهور أو الوقت المستهلك في التوثيق. تحقّق من جودة البيانات، وشغّل النموذج بصمت مقارنةً بالمآلات المحلية قبل التشغيل الفعلي، وحدّد عتبات تنبيه تتناسب مع قدرة طاقم التمريض، ودرّب الطاقم، وراجع القيمة التنبؤية الإيجابية وعبء التنبيهات شهريًا. ولا تشترِ أداة بناءً على قيمة AUROC التي يعلنها المورّد وحدها.

جاهزية البيانات والسجل الصحي الإلكتروني

• هل تُسجَّل العلامات الحيوية ونتائج المختبر والأدوية إلكترونيًا، وفي وقتها، وفي حقول مهيكلة؟

• هل الطوابع الزمنية موثوقة؟ فنماذج الإنتان تعتمد على معرفة توقيت حدوث الأشياء.

• هل يوجد تعريف واضح للمآل (مثل Sepsis-3) تتفق الوحدة على القياس وفقه؟

التحقق المحلي والصامت

شغّل النموذج في الخلفية قبل أن يرى أحد تنبيهاته. وتُعدّ دراسة Dutta وزملائه مثالًا على النشر الصامت: إذ سُجّلت التنبؤات وقورنت بالمآلات دون التأثير في الرعاية. ويكشف لك ذلك القيمة التنبؤية الإيجابية المحلية، وعدد التنبيهات يوميًا، وزمن الاستباق، قبل تعريض الطاقم للأداة.

الحوكمة والتدريب والتدقيق

• عيّن مسؤولًا سريريًا، ويُفضَّل أن يكون طبيب عناية مركزة، ومجموعة إشراف متعددة التخصصات، بما يتوافق مع إجماع 2025.

• حدّد ما يجب أن يستتبعه كل تنبيه، ومن يستجيب له.

• درّب الممرضين والأطباء على ما تفعله الأداة وما لا تفعله، وكيفية الإبلاغ عن الأخطاء.

• دقّق شهريًا: القيمة التنبؤية الإيجابية، والتنبيهات لكل يوم-مريض، والحالات الفائتة، وأي ضرر أو حوادث وشيكة (Near Misses).

• اتفق مسبقًا على الظروف التي ستُعلَّق فيها الأداة أو يُوقف تشغيلها.

البيئات محدودة الموارد ومنطقة الشرق الأوسط وشمال أفريقيا

كثير من المستشفيات في الشرق الأوسط وشمال أفريقيا (MENA)، وفي غيرها من البيئات محدودة الموارد، لا تمتلك بعدُ سجلات إلكترونية مكتملة أو فرقًا متخصصة في البيانات. وهذا لا يستبعد الذكاء الاصطناعي، لكنه يغيّر ترتيب العمل: عزّز تسجيل البيانات أولًا، واختر أدوات يمكن التحقق منها محليًا، وفضّل النماذج البسيطة والشفافة كلما أمكن، وتوخَّ الحذر مع أدوات الموردين المدرَّبة على بيانات أمريكا الشمالية فقط. ويمكن لأدوات نقطة الرعاية (Point-of-Care) مثل الحاسبات الطبية والمراجع السريرية الموثوقة أن تقدّم قيمة ريثما يُبنى الأساس البياني.

8. الأسئلة الشائعة

كيف يُستخدم الذكاء الاصطناعي في إدارة العناية المركزة؟

يُستخدم الذكاء الاصطناعي في العناية المركزة أساسًا للتنبؤ بالمآلات والوفيات، والإنذار المبكر بالتدهور، ودعم اكتشاف الإنتان، ومراقبة المرضى. كما يُستخدم تشغيليًا في إدارة الأسرّة والكوادر والتوثيق. غير أن مراجعة استكشافية عام 2026 شملت 112 دراسة وجدت أن 27.7% فقط قدّمت تطبيقات فورية عند السرير، لذا يبقى معظم الاستخدامات تجريبيًا.

هل يستطيع الذكاء الاصطناعي التنبؤ بالإنتان قبل أن يتعرّف عليه الأطباء؟

أحيانًا، لكن بموثوقية أقل مما توحي به الأرقام البارزة. ففي تقييم نُشر في NEJM AI عام 2024 لنموذج Epic للإنتان، انخفضت قيمة AUROC من 0.62 إلى 0.47 عند استبعاد التنبؤات الصادرة بعد التعرّف السريري. وأفاد نشر صامت في تسعة مستشفيات بوسيط زمن استباق قدره 3.4 ساعات وفق Sepsis-3، مع قيمة تنبؤية إيجابية 11.4%.

ما مدى دقة نموذج Epic للإنتان؟

بلغت قيمة AUROC للنموذج الأصلي 0.62 عبر 77,582 حالة تنويم، وانخفضت إلى 0.47 قبل التعرّف السريري. أما الإصدار الثاني، الذي جرى التحقق منه استباقيًا في أربعة أنظمة صحية أمريكية، فبلغت قيمته على مستوى الزيارة 0.82 إلى 0.92، لكن القيمة التنبؤية الإيجابية لم تتجاوز 0.13 إلى 0.26، فلم تكن معظم التنبيهات إنتانًا وكان عبء التنبيهات مرتفعًا.

هل استخدام الذكاء الاصطناعي آمن في العناية المركزة؟

يمكن أن يكون كذلك عندما يُتحقق منه على الفئة السكانية المحلية، ويحكمه الأطباء، ويُراقَب بعد التشغيل، ويُستخدم لدعم الحكم السريري لا لاستبداله. ويوصي إجماع خبراتي نُشر في Critical Care عام 2025 بالتعزيز المتبادل بين الإنسان والذكاء الاصطناعي مع قيادة أطباء العناية المركزة للحوكمة. والإفراط في الثقة بنتيجة مطمئنة من الذكاء الاصطناعي لدى مريض يبدو متعبًا قد يؤخر العلاج.

هل سيحلّ الذكاء الاصطناعي محل أطباء العناية المركزة؟

لا. يستطيع الذكاء الاصطناعي التنبيه إلى المخاطر وأتمتة المهام الروتينية، لكن العناية المركزة تعتمد على الفحص السريري، والاستدلال التشخيصي، والحكم الأخلاقي، والتواصل مع الأسرة، والقرارات المخصصة لكل مريض. وتصف المراجعات والإجماع الخبراتي الذكاءَ الاصطناعي بوصفه أداة تعزيز. فالدور يتغير ولا يختفي: إذ يحتاج أطباء العناية المركزة بشكل متزايد إلى مهارات مساءلة مُخرَجات النماذج وتفسيرها.

ما مخاطر استخدام الذكاء الاصطناعي في البيئات السريرية؟

أبرز المخاطر هي الإنذارات الكاذبة وإرهاق التنبيهات، والحالات الفائتة لدى مرضى يختلفون عن بيانات التدريب، وتحيز الأتمتة، وانتهاكات الخصوصية، والنماذج التي يتراجع أداؤها خارج المستشفى الذي طُوّرت فيه. وقد وجدت مراجعة عام 2025 شملت 1,263 دراسة للذكاء الاصطناعي في العناية المركزة أن 53% من الدراسات المقيَّمة لديها خطر مرتفع للتحيز، وأن 46% استخدمت قاعدة بيانات عامة واحدة.

لماذا لا تُستخدم أدوات أكثر للذكاء الاصطناعي عند سرير المريض في العناية المركزة؟

معظم الأدوات لا تتجاوز مرحلة البحث. فقد وجدت مراجعة نُشرت في JAMA Network Open عام 2025 أن 74% من دراسات الذكاء الاصطناعي في العناية المركزة عند مستوى الجاهزية التقنية الرابع أو أدنى، وأن 2% فقط بلغت مرحلة التكامل السريري، ولم تبلغ أيٌّ منها التطبيق الكامل. والأسباب الرئيسية هي الاعتماد على عدد قليل من قواعد البيانات العامة، ومحدودية التحقق الخارجي، وضعف الملاءمة مع سير العمل.

كيف ينبغي للمستشفى أن يبدأ بتطبيق الذكاء الاصطناعي في وحدة العناية المركزة؟

اختر مشكلة واحدة واضحة، وتحقّق من جودة البيانات، وشغّل النموذج بصمت مقارنةً بالمآلات المحلية قبل أن يرى الطاقم التنبيهات. وحدّد عتبات تنبيه تتناسب مع قدرة طاقم التمريض، وعيّن مسؤولًا سريريًا، ودرّب الطاقم، ودقّق شهريًا في القيمة التنبؤية الإيجابية وعبء التنبيهات والحالات الفائتة. ولا تتخذ القرار أبدًا بناءً على قيمة AUROC التي يعلنها المورّد وحدها.

9. المراجع

• Wang Z, et al. A methodological systematic review of validation and performance of sepsis real-time prediction models. npj Digit Med. 2025;8:190. https://doi.org/10.1038/s41746-025-01587-1 (PMID 40189694)

• Kamran F, et al. Evaluation of Sepsis Prediction Models before Onset of Treatment. NEJM AI. 2024;1(3):AIoa2300032. https://doi.org/10.1056/AIoa2300032 (PMID 42932739)

• Wong A, et al. Multicenter Prospective Validation of an Updated Proprietary Sepsis Prediction Model. JAMA Netw Open. 2026;9(2):e260181. https://doi.org/10.1001/jamanetworkopen.2026.0181 (PMID 41758510)

• Dutta S, et al. Performance of a Sepsis Prediction Model Across Different Sepsis Definitions. JAMA Netw Open. 2026;9(4):e265599. https://doi.org/10.1001/jamanetworkopen.2026.5599 (PMID 41945342)

• Operationalization of AI Applications in the ICU: A Systematic Review. JAMA Netw Open. 2025;8(7):e2522866. https://doi.org/10.1001/jamanetworkopen.2025.22866 (PMID 40699572)

• De Cassai A, et al. AI in ICUs: a scoping review addressing the translational gap. Korean J Anesthesiol. 2026;79(3):291-305. https://doi.org/10.4097/kja.251142 (PMID 41913474)

• Implementing Artificial Intelligence in Critical Care Medicine: a consensus of 22. Crit Care. 2025. https://doi.org/10.1186/s13054-025-05532-2

• اعتماد الكاتب (وليس دليلًا سريريًا): Wolters Kluwer. Transforming healthcare practice with UpToDate and UpToDate Lexidrug: A case study and interview from the UAE. 29 Oct 2024. https://www.wolterskluwer.com/en/expert-insights/transforming-healthcare-uptodate-case-study-interview-from-the-uae

عن الكاتب

د. خالد أبو الدهب، طبيب متخصص في الرعاية الحرجة والرعاية طويلة الأمد. شغل سابقًا منصب رئيس قسم الرعاية طويلة الأمد وإعادة التأهيل في مستشفى جلوبال كير (Global Care Hospital) في أبوظبي. ورد اسمه في مقال رؤى الخبراء من Wolters Kluwer (2024).

المزيد عن الكاتب

آخر تحديث: 29 أكتوبر 2026

هذا الدليل لأغراض تعليمية ولا يُغني عن الاستشارة الطبية الفردية.

Dr. Khaled Aboeldahab: MBBS, Faculty of Medicine - Alexandria University, Egypt, November 1993; Master's Degree in Critical Care Medicine - Alexandria University, Egypt; Advanced Diploma in Hospital Management; Master of Business Administration (MBA) - Hospital Management, Eton University; Professional Diploma in Infectious Diseases - Royal College of Physicians (RCI).