اعتمد الذكاء الاصطناعي الطبي خلال السنوات الماضية، بصورة أساسية على تحليل الارتباطات الإحصائية بين المتغيرات. فإذا تكررت مجموعة من الأعراض أو المؤشرات الحيوية مع مرض معين في عدد كبير من الحالات، تعلّم النموذج أن يربط بينها ويقترح تشخيصاً أو توقعاً مبنياً على هذا التكرار. وقد حققت هذه المقاربة نجاحاً ملحوظاً في مجالات مثل قراءة الصور الشعاعية، وتحليل تخطيط القلب، والتنبؤ بالمضاعفات في وحدات العناية المركزة.
رصد العامل المسبب... لا المصاحب
غير أن الطب، بوصفه علماً قائماً على فهم الآليات، لا يكتفي بإثبات أن أمرين يحدثان معاً، بل يسعى إلى تحديد ما إذا كان أحدهما يسبب الآخر. فالتمييز بين العامل المسبب والعامل المصاحب ليس مسألة نظرية، بل هو أساس القرار العلاجي الصحيح. من هنا برز في عام 2026 توجه بحثي متقدم يُعرف بالذكاء السببي، وهو إطار منهجي يهدف إلى تمكين الخوارزميات من تحليل العلاقات السببية بدلاً من الاكتفاء بالارتباطات الإحصائية.
«الذكاء السببي»
ما المقصود بالذكاء السببي؟ هو منهج في تصميم نماذج الذكاء الاصطناعي يركّز على بناء خرائط أو نماذج تمثل العلاقات بين الأسباب والنتائج داخل النظام المدروس، سواء كان ذلك جسم الإنسان أو مسار مرض معين. وبدلاً من أن يسأل النموذج: «ما المتغيرات التي تتكرر معاً؟»، فإنه يحاول الإجابة عن سؤال أعمق: «ما المتغير الذي يؤدي فعلياً إلى حدوث الآخر؟».
هذا التحول يسمح للنظام بالتمييز بين العوامل المربكة التي قد تعطي انطباعاً بوجود علاقة، وبين العوامل التي تلعب دوراً سببياً حقيقياً. كما يتيح إمكانية اختبار سيناريوهات افتراضية، أي تقدير ما الذي قد يحدث لو تم تطبيق تدخل علاجي معين أو تغييره.
دراسة 2026: نموذج سببي لدعم القرار السريري
في فبراير (شباط) 2026، نشرت مجلة «نتشر ميديسن» المرموقة (Nature Medicine) دراسة بعنوان «النماذج التأسيسية السببية لدعم القرار السريري»، قادها الباحث إلياس بارينبويم وفريقه في جامعة كولومبيا في نيويورك (*).
ركزت الدراسة على تطوير نموذج سببي قادر على دمج البيانات السريرية الزمنية، مثل العلامات الحيوية وتحاليل المختبر، مع بنية سببية محددة مسبقاً تُمكن النظام من تحليل المسارات المرضية بصورة أعمق. وتم تطبيق النموذج على بيانات مرضى في وحدات العناية المركزة، مع التركيز على التنبؤ بمضاعفات الإنتان (تسمم الدم).
وأظهرت النتائج أن النموذج السببي حقق أداءً أفضل من النماذج الإحصائية التقليدية في تقليل الإنذارات الكاذبة، كما أتاح تفسيراً أوضح لسبب إصدار التوصية؛ ما يعزز قابلية الاعتماد عليه في البيئات السريرية. وتكمن أهمية هذه الدراسة في أنها لم ترفع مستوى الدقة فحسب، بل قدمت إطاراً يربط بين التحليل الرياضي والمنطق السريري القائم على فهم الآلية المرضية.
أثر الذكاء السببي في الممارسة الطبية
يسهم الذكاء السببي في تحسين جودة القرار الطبي على مستويات عدة.
- أولاً، يقلل من أخطار التحيز الناتج من بيانات غير متوازنة؛ لأن النموذج يسعى إلى فصل أثر المتغيرات الديموغرافية أو السياقية عن المسار المرضي الحقيقي.
- ثانياً، يتيح للطبيب الاطلاع على تفسير منطقي للتوصية الصادرة عن النظام، بدل الاكتفاء بنتيجة رقمية.
- ثالثاً، يفتح المجال لاستخدام التفكير الافتراضي، بحيث يمكن تقدير أثر قرار علاجي قبل تنفيذه فعلياً.
ومع ذلك، فإن بناء نموذج سببي يتطلب افتراضات واضحة حول طبيعة العلاقات بين المتغيرات. وإذا كانت هذه الافتراضات ناقصة أو غير دقيقة، فقد يؤدي ذلك إلى تحليل سببي مضلل. لذلك؛ يبقى إشراف الطبيب عنصراً أساسياً، سواء في تفسير النتائج أو في اتخاذ القرار النهائي.
بين التراث الطبي والمنهج الرقمي
فكرة البحث عن العِلّة ليست جديدة في تاريخ الطب. فقد أكد ابن سينا في كتابه «القانون في الطب» أن التشخيص الدقيق يقوم على التمييز بين العرض والسبب، وأن العلاج لا يكون فعالاً إلا إذا استهدف أصل المرض لا مظاهره فقط. وما يقدمه الذكاء السببي اليوم هو إعادة صياغة هذا المبدأ بلغة رياضية رقمية، مع الاستفادة من كميات ضخمة من البيانات السريرية.
وبهذا المعنى، فإن الذكاء السببي لا يمثل قطيعة مع التراث الطبي، بل امتداداً له في سياق علمي وتقني مختلف.
مرحلة متقدمة في تطور الذكاء الاصطناعي الطبي
يمثل الذكاء السببي في عام 2026 مرحلة متقدمة في تطور الذكاء الاصطناعي الطبي؛ لأنه ينقل الخوارزميات من مستوى التعرف على الأنماط إلى مستوى تحليل العلاقات بين الأسباب والنتائج. ومع أن هذه المقاربة لا تلغي الحاجة إلى الحكم السريري البشري، فإنها توفر أداة أكثر عمقاً وشفافية لدعم القرار.
ويبقى جوهر الطب ثابتاً: فهم السبب قبل معالجة النتيجة، وتوظيف التقنية في خدمة الإنسان، لا في استبدال مسؤوليته.
(*)Bareinboim, E., et al. (2026). Causal Foundation Models for Clinical Decision Support. Nature Medicine. Columbia University, New York, USA.
