طفل يتلقى حقنة. تصوير كواميجانا عبر ويكيميديا كومنز (نَسْبُ المُصنَّف، الترخيص بالمثل 4.0 دولي).

بقلم تشوكوودي أنثوني أوكولوي

في عام 2024، دخل مزارع ذرة يبلغ من العمر 28 عامًا من مقاطعة سيايا في غرب كينيا إلى عيادة عامة صغيرة يشكو من الحمى. قبل عشر سنوات، كان سيضطر إلى الانتظار أيامًا — وأحيانًا أسابيع — للحصول على تشخيص للملاريا أو التيفوئيد أو حمى الضنك. أما في عام 2024، فقد حصل على الإجابة خلال تسعين ثانية فقط. قام عامل صحي مجتمعي بالتقاط صورة لمسحة دم سميكة باستخدام هاتف ذكي عادي مُثبّت على مجهر محمول لا يتجاوز سعره 50 دولارًا أمريكيًا. حلّلت خوارزمية ذكاء اصطناعي الصورة واقترحت تشخيص “Plasmodium falciparum ++” بدقة بلغت 98.5% — دقة تفوق أداء معظم فنيي المختبرات غير المتخصصين في البلاد. غادر المزارع العيادة في ظهر اليوم نفسه وهو يحمل الدواء المناسب المضاد للملاريا.

هذا البرنامج التجريبي، الذي تديره وزارة الصحة الكينية بدعم تقني من شركة “أوبينيتيكس” (Ubenytics) الناشئة، نشط الآن في أكثر من 420 مرفقًا صحيًا عبر ثماني مقاطعات. تشير النتائج الأولية للدراسة التجريبية، التي نُشرت في مجلة “The Lancet Digital Health” في مارس/آذار 2025، إلى انخفاض بنسبة 31% في وصف المضادات الحيوية غير المناسبة، وتراجع بنسبة 19% في مضاعفات الملاريا الشديدة في المناطق التي شملها التدخل.

من المهم توضيح المصطلحات. فبينما يُستخدم مصطلح “الذكاء الاصطناعي” على نطاق واسع في كل من الخطاب الأكاديمي والشعبي، فإن الأنظمة التي يناقشها هذا المقال تُوصَف بدقة أكبر بأنها نماذج لغوية كبيرة (Large Language Models). هذه النماذج لا تمتلك ذكاءً عامًا؛ بل تؤدي عمليات سريعة للتعرّف الإحصائي على الأنماط وتوليد النصوص الاحتمالية بناءً على كميات هائلة من بيانات التدريب. عند الاقتضاء، يستخدم هذا المقال مصطلح (LLMs) للتعبير عن هذا التمييز، مع الإقرار بأن الذكاء الاصطناعي (AI) يظل المصطلح الأشمل الذي تُصنَّف تحته هذه التقنيات غالبًا.

كينيا ليست استثناءً

في جميع أنحاء غرب أفريقيا، تستخدم شركة “تشيستيفاي للذكاء الاصطناعي” (Chestify AI) الغانية الناشئة، التي تأسست عام 2020، خوارزميات الذكاء الاصطناعي لدعم الأطباء في تفسير صور الأشعة السينية للصدر وغيرها من الصور الطبية في المراكز الصحية التي تعاني من نقص الموارد. يقومون بإنشاء خرائط حرارية بصرية ودرجات للاختلالات تساعد في الإبلاغ عن حالات مثل السل والالتهاب الرئوي، مما يسرع التشخيص في الأماكن التي يندر فيها أطباء الأشعة. وفي عمليات النشر عبر 25 منشأة صحية، أبلغت الشركة عن تقليص أوقات استخراج التشخيص بنحو 40%، حيث يتم تسليم تقارير التصوير في غضون 3 ساعات بدلًا من أيام.

أظهرت دراسات التحقق السابقة التي أشرفت عليها منظمة الصحة العالمية للكشف المدعوم بالحاسوب عن مرض السل باستخدام صور الأشعة السينية للصدر أداءً عاليًا ومتسقًا في البيئات منخفضة الموارد، بحساسية مجمعة تبلغ حوالي 94.7%، وغالبًا ما تطابق أو تتجاوز متوسط الدقة التشخيصية المتاحة حيثما تكون قدرة أطباء الأشعة المتخصصين محدودة.

يستخدم برنامج رواندا لتوصيل الدم عبر الطائرات المسيرة الآن خوارزميات التوجيه، مما يقلل من متوسط وقت التسليم من 42 دقيقة إلى 18 دقيقة في المناطق التي يصعب الوصول إليها.

هذه ليست وعودًا مستقبلية؛ بل هي تطبيقات موثقة وخاضعة لمراجعة الأقران وتحدث اليوم على أرض الواقع.

الأرقام التي تقف وراء هذه الضرورة الملحة معروفة جيدًا ولكن يستحق تكرارها: تضم منطقة أفريقيا جنوب الصحراء الكبرى 11% من سكان العالم وتتحمل 24% من عبء الأمراض العالمي، ومع ذلك فهي لا تمتلك سوى 3% من العاملين في مجال الصحة في العالم وأقل من 1% من الإنفاق الصحي العالمي. والفجوة في عدد المتخصصين أكثر وضوحًا: نيجيريا، على سبيل المثال، لديها حوالي طبيب أمراض (باثولوجي) واحد لكل 500 ألف شخص، مقارنة بمتوسط عالمي يبلغ طبيبًا واحدًا لكل 25 ألف شخص.

لن يستحضر الذكاء الاصطناعي أطباء إضافيين بعصا سحرية، لكنه يحدث تأثيرًا بالفعل في المناطق ذات الأنظمة الطبية التي تعاني من نقص الموارد.

إذ يعمل على تحسين دقة العاملين غير المتخصصين. في أوغندا، يستخدم مختبر الصحة المدعوم بالذكاء الاصطناعي التابع لجامعة ماكيريري وشركاؤه، بما في ذلك معهد الأمراض المعدية و”ناامي” (NAAMII)، أدوات تصوير الموجات فوق الصوتية للولادة الموجهة بالذكاء الاصطناعي والتي تمكّن غير المتخصصين، بما في ذلك العاملون في مجال الصحة المجتمعية، من التقاط وتفسير صور الجنين الأساسية.

تسمح هذه البرامج للعاملين في مجال الرعاية الصحية باكتشاف الأمراض في وقت مبكر، عندما يكون علاجها أسهل وأقل تكلفة. في عام 2019، نشرت مجلة “لانسيت” دراسة تحقق سريري لنموذج التعلم العميق في برنامج فحص شبكية العين في زامبيا، والذي أظهر أداءً تشخيصيًا ممتازًا ومبكرًا لاعتلال الشبكية السكري القابل للإحالة، واعتلال الشبكية السكري المهدد للرؤية، والوذمة البقعية السكرية مقارنةً بالمقيّمين البشريين.

لا شيء من هذا يعد نظريًا. فمنحنيات التكلفة تنهار بشكل أسرع مما يدركه معظم صناع السياسات. في عام 2022، بلغت تكلفة تدريب وتشغيل نموذج لغوي كبير عالي الأداء للفحص المجهري للملاريا نحو 180 ألف دولار أمريكي. وبحلول أواخر عام 2025، أصبحت التكلفة الهامشية لكل اختبار في عمليات النشر واسعة النطاق أقل من 0.30 دولار أمريكي — وهي أرخص من اختبار التشخيص السريع الحالي في العديد من الأماكن بمجرد تضمين تكاليف التوزيع وسلسلة التبريد.

الآثار الصحية على أفريقيا

أولًا، يجب أن تواكب اللوائح التنظيمية هذا التطور. أصدر كل من مجلس الصيدلة والسموم الكيني والوكالة الوطنية النيجيرية لإدارة ومراقبة الأغذية والأدوية مبادئ توجيهية عملية للذكاء الاصطناعي كجهاز طبي في الأشهر الثمانية عشر الماضية — وهي خطوة هادئة ولكنها حاسمة لا تزال العديد من الاقتصادات الكبرى تكافح من أجلها.

ثانيًا، يجب أن تظل البيانات المحلية محلية عند الضرورة. يتم تدريب الخوارزميات الأكثر دقة للكشف عن مرض فقر الدم المنجلي، أو الفحص المسبق لسرطان عنق الرحم، أو الالتهاب الرئوي لدى الأطفال الأفارقة على مجموعات بيانات أفريقية. إن المؤسسين والحكومات الذين يصرون على إبقاء البيانات محليًا والملكية المحلية للنماذج يقومون ببناء أصول استراتيجية، وليس مجرد أدوات صحية.

ثالثًا، يجب أن تتحول نماذج التمويل من البرامج التجريبية المستمرة للمانحين إلى دمج مستدام. تقوم رواندا وغانا بالفعل بدمج تشخيصات الذكاء الاصطناعي في خطط التأمين الصحي الوطنية الخاصة بهما. عندما يتم تعويض خدمة بمبلغ 1-2 دولار لكل اختبار بدلًا من الاعتماد على المنح، فإن التوسع يحدث بين عشية وضحاها.

مخاطر وقيود النماذج اللغوية الكبيرة

على الرغم من الإمكانات التحويلية للنماذج اللغوية الكبيرة في مجال الرعاية الصحية، فإن نشرها لا يخلو من مخاطر وقيود كبيرة. أحد أكثر المخاوف التي نوقشت على نطاق واسع هو “الهلوسة”، حيث تُولِّد النماذج مخرجات واثقة ولكنها غير صحيحة أو ملفقة. في البيئات السريرية أو المجاورة للرعاية الصحية، يمكن أن تكون لمثل هذه الأخطاء عواقب وخيمة، بما في ذلك التفسير الخاطئ للمعلومات الطبية، أو التوصيات غير المناسبة، أو تآكل الثقة في عمليات اتخاذ القرار السريري.

تعتمد النماذج اللغوية الكبيرة أيضًا بشكل كبير على جودة ونطاق وتمثيل بيانات التدريب الخاصة بها. يمكن لهذه الأنظمة أن تتعلم وتضخم التحيزات المتأصلة في بيانات الرعاية الصحية التاريخية، مثل التمثيل الناقص لمجموعات سكانية معينة، مما قد يؤدي إلى نتائج غير عادلة. بالإضافة إلى ذلك، تفتقر النماذج اللغوية الكبيرة إلى الفهم السياقي الحقيقي والتفكير السريري؛ فهي لا تمتلك القصد أو الوعي أو المساءلة، ولذلك لا ينبغي الاعتماد عليها كصناع قرار مستقلين.

في حين لا تزال الأدلة واسعة النطاق والخاضعة لمراجعة الأقران حول الأضرار واسعة الانتشار تظهر تباعًا، فإن الإجماع في الأدبيات يؤكد على ضرورة الإشراف البشري والتحقق الصارم والضمانات الخاصة بالمجال. من الأفضل وضع النماذج اللغوية الكبيرة كأدوات لدعم القرار بدلًا من كونها بديلًا للخبرة السريرية.

بالإضافة إلى ذلك، تظل القضايا المتعلقة بخصوصية البيانات والأمن والامتثال التنظيمي دون حل في العديد من التطبيقات. وبدون أطر حوكمة قوية، فإن دمج النماذج اللغوية الكبيرة في أنظمة الرعاية الصحية يهدد بانتهاك سرية المريض والمعايير الأخلاقية الحالية.

ومع ذلك، تعني هذه التطورات أنه بحلول عام 2030، لن يضطر طفل وُلد في قرية خارج كيسومو أو كوماسي إلى السفر لمسافة 200 كيلومتر (124 ميلًا) لمعرفة ما إذا كانت آفة جلدية سرطانية أم أن السعال هو مرض السل. سيوفر عامل صحي مجتمعي مدرب، وهاتف ذكي بقيمة 120 دولارًا، ونموذج لغوي كبير يتم تحديثه باستمرار عبر شبكة 5G، إجابة في غضون دقائق، وليس أشهرًا.

نحن لا ننتظر نقطة تحول تكنولوجية (Singularity) بعيدة. في أجزاء من أفريقيا، بدأ مستقبل الرعاية الصحية بالفعل — بهدوء، وبشكل تدريجي، وبسرعة لا يزال معظم المراقبين العالميين يقللون من شأنها.