التقنية في الصحة الأدلة التقنية

كيف تعمل شركة ناشئة في الذكاء الاصطناعي الطبي Medical AI؟

ما الذي تحتاجه شركة ذكاء اصطناعي للأشعة غير النموذج: البيانات والتحقق والموافقة والتكامل مع المستشفى والبيع، بأمثلة محسوبة باليد.

كيف تعمل شركة ناشئة في الذكاء الاصطناعي الطبي Medical AI؟

إذا كنت تفكر في تأسيس شركة ناشئة في الذكاء الاصطناعي الطبي، أو تستثمر في واحدة، أو تعمل في مستشفى وتريد أن تقيم منتجاً يعرض عليك، فهذا المقال لك. ستعرف فيه ما تحتاجه هذه الشركات غير النموذج نفسه: البيانات، ومن يحدد الإجابة الصحيحة، وكيف تقرأ أرقام الأداء، والموافقات، والتكامل مع المستشفى، وطريقة البيع.

والمثال في المقال من الأشعة، لأنه أكثر مجال فيه منتجات معتمدة. والفكرة الأساسية: النموذج أصغر جزء في الشركة. والسؤال الحقيقي ليس «هل نستطيع تدريب نموذج؟»، وإنما: من أين تأتي البيانات بشكل نظامي؟ ومن يحدد الإجابة الصحيحة؟ وهل يعمل النموذج في مستشفى لم يره؟ ومن يسمح ببيعه؟ ومن يدفع ثمنه؟

وننبه إلى أن هذا مقال عن بناء المنتجات، وليس فيه نصيحة طبية أو نظامية. فالأنظمة تتغير، وأي منتج حقيقي يحتاج مستشاراً تنظيمياً متخصصاً.

باختصار In Short

💡
المراحل: ثمان، والنموذج منها اثنتان فقط. الباقي بيانات، وتحديد، وتحقق، وموافقة، وتكامل، وبيع.
المشكلة: ابدأ بنتيجة واحدة في فحص واحد لمستخدم واحد، لأن الجهة المنظمة تعتمد استخداماً محدداً.
الأرقام: «دقة 95%» لا تعني شيئاً وحدها. نفس النموذج قد تكون أغلب تنبيهاته خاطئة إذا كانت الحالة نادرة.
الموافقة: في السعودية إذن تسويق من هيئة الغذاء والدواء وفق إرشادات MDS-G010، وفي أمريكا مسارات FDA، وفي أوروبا القاعدة 11.
البيع: لجهة لها لجان وميزانية، فجهز ملفات الأمن والتكامل والموافقة ونتائج التحقق مسبقاً.

المراحل من المشكلة إلى العقد

الصورة التالية تبين المراحل التي يمر بها منتج ذكاء اصطناعي للأشعة، وسنمر عليها بالترتيب:

ثماني بطاقات في صفين: 1 المشكلة نتيجة واحدة وسير عمل واحد ومشتر واحد، 2 البيانات اتفاقيات مع المستشفيات وإزالة الهوية، 3 التحديد أطباء الأشعة يحددون ويقاس اتفاقهم، 4 النموذج تدريب وضبط على بيانات داخلية، 5 التحقق مواقع خارجية وفئات فرعية وانتشار، 6 الموافقة من SFDA وFDA والاتحاد الأوروبي لاستخدام محدد، 7 التكامل مع PACS وقائمة العمل وDICOM SR وSEG، 8 البيع تجربة وعقد ومراقبة، وتحتها أن النموذج جزء صغير من الوقت
النموذج خطوتان من ثماني خطوات، وأغلب الوقت يذهب في البيانات والتحقق والموافقة

الخطوة 1: اختر مشكلة ضيقة

الفكرة التي يبدأ بها كثيرون: «نموذج يقرأ صورة الصدر ويكتب التقرير كاملاً». ولماذا تفشل؟ لأن كل نتيجة جديدة تحتاج بياناتها وتحديدها وتحققها وموافقتها الخاصة. والجهة المنظمة تعتمد استخداماً محدداً Intended Use، وليس نموذجاً عاماً.

لذلك تبدأ أغلب المنتجات المعتمدة بسؤال ضيق جداً. واختبر فكرتك بأربعة أسئلة:

السؤالإجابة جيدةإجابة ضعيفة
ما النتيجة بالضبط؟نزيف داخل الجمجمة في أشعة مقطعية دون صبغةأمراض الدماغ
ماذا يتغير في عمل الطبيب؟يرفع الفحص المشتبه إلى أعلى قائمة القراءة Triage، وهذا أقل خطراً وأسهل تنظيمياًيقترح التشخيص النهائي، وهذا أعلى خطراً
من يستخدم ومن يدفع؟طبيب الأشعة يستخدم، والمستشفى يدفع لأنه يوفر وقتاً أو مالاً أو خطراً يقيسه«الجميع سيستفيد»
هل البيانات موجودة؟حالات كافية متاحة باتفاقيةنتيجة نادرة جداً تحتاج آلاف الفحوص لجمع بضع مئات من الحالات

ومن الأمثلة العامة أول منتجين فتحا فئتين جديدتين في قواعد بيانات FDA سنة 2018:

  • ContaCT من شركة Viz.ai: منح بمسار De Novo في 13 فبراير 2018، تحت فئة برامج الفرز والتنبيه في الأشعة برمز المنتج QAS. وهو لا يشخص، وإنما يرتب وينبه.
  • IDx-DR: لكشف اعتلال الشبكية السكري، ومنح بنفس المسار في 11 أبريل 2018.

الخطوة 2: البيانات، والاتفاقية قبل أي شيء

البيانات العامة المنشورة ممتازة للتعلم والنماذج الأولية، لكنها لا تكفي لمنتج. فهي قليلة، ومن أجهزة وفئات سكانية محدودة، وبعضها برخص تمنع الاستخدام التجاري. والجهة المنظمة تريد بيانات تشبه المكان الذي سيعمل فيه المنتج.

لذلك تبدأ الشركة باتفاقية مع مستشفى أو أكثر. وتحدد الاتفاقية: الغرض، ومن يملك ماذا، وأين تعالج البيانات، ومتى تحذف، ومن يملك النموذج الناتج. وأربع نقاط يجب أن تعرفها:

  • البيانات الصحية حساسة: نظام حماية البيانات الشخصية يضع البيانات الصحية ضمن البيانات الحساسة. ويحيل في مادته الثالثة والعشرين إلى لوائح تضبط معالجتها، ومنها قصر الاطلاع عليها على أقل عدد ممكن. والتعريف في قسم الخصوصية في مقال تبادل البيانات الصحية.
  • إزالة الهوية داخل المستشفى: الأصل أن تخرج الصور من المستشفى بعد إزالة ما يعرف بالمريض، بما في ذلك النص المكتوب على الصورة نفسها. ويبقى جدول الربط عند المستشفى إن احتجت متابعة المريض عبر الزمن. والتفصيل في قسم إزالة الهوية.
  • الموافقة واللجان: استخدام بيانات المرضى في البحث والتطوير يمر عادة بلجنة أخلاقيات البحث في المنشأة. وقد يحتاج موافقة المريض أو إعفاء منها. وهذه مسألة نظامية تسأل عنها الجهة ومستشارك، ولا تفترضها.
  • نقل البيانات خارج المملكة: إذا كانت سحابة التدريب خارج المملكة، فأنت أمام لائحة نقل البيانات الشخصية خارج المملكة. لذلك تختار أغلب الشركات التدريب داخل المملكة أو داخل المستشفى نفسه.

الخطوة 3: التحديد Labeling، من يقرر الإجابة الصحيحة؟

النموذج يتعلم من أمثلة معها إجاباتها، كما في مقال التعلم الآلي. وفي الأشعة يكتب الإجابة طبيب: هل في الفحص النتيجة؟ وأين حدودها بالضبط؟

والمشكلة أن الأطباء أنفسهم يختلفون. فإذا حدد طبيب واحد كل البيانات، فقد علمت النموذج رأي طبيب واحد. لذلك يقرأ كل فحص طبيبان أو أكثر بشكل مستقل، ويحسم الخلاف طبيب ثالث أو اجتماع.

كيف تقيس اتفاق الأطباء؟ معامل Kappa

يقاس الاتفاق بين القراء Inter-reader Agreement بمعامل اسمه Cohen's Kappa. وفكرته أنه يطرح الاتفاق الذي يحدث بالصدفة. مثال: طبيبان قرآ 100 فحص:

الطبيب الثاني: إيجابيالطبيب الثاني: سلبي
الطبيب الأول: إيجابي20 (اتفقا)12
الطبيب الأول: سلبي860 (اتفقا)

والحساب باليد:

  • الاتفاق الفعلي: (20 + 60) ÷ 100 = 80%.
  • الاتفاق المتوقع بالصدفة: الأول قال «إيجابي» في 32% من الفحوص، والثاني في 28%. فاحتمال أن يتفقا صدفة = (0.32 × 0.28) + (0.68 × 0.72) = 0.58 تقريباً.
  • Kappa = (0.80 − 0.58) ÷ (1 − 0.58) = 0.52 تقريباً.

اتفاق 80% يبدو مرتفعاً. لكن نحو 58% منه متوقع بالصدفة، لأن أغلب الفحوص سلبية. فبقي Kappa عند 0.52 فقط.

وهذا يهمك مرتين. الأولى: الإجابة التي تدرب عليها ليست حقيقة مطلقة. والثانية: لا يمكن قياس نموذجك بدقة أعلى من دقة الإجابة نفسها.

وانتبه أيضاً لعدد الحالات الإيجابية في الاختبار. «حساسية 95%» على 20 حالة إيجابية فقط رقم غير مستقر. والجدول التالي يبين المدى الذي يقع فيه الأداء الحقيقي غالباً (بثقة 95%، بطريقة Wilson الإحصائية المعروفة):

الحالات الإيجابية التي وجدها النموذجالحساسية المعلنةالحساسية الحقيقية قد تكون بين
19 من 2095%76.4% و99.1%
95 من 10095%88.8% و97.8%
950 من 1,00095%93.5% و96.2%

لذلك اسأل دائماً: كم حالة إيجابية في الاختبار؟ وليس: كم صورة في المجموع؟ وهذا ما تطلبه إرشادات الهيئة السعودية عندما تطلب تبرير حجم بيانات الاختبار إحصائياً.

وأدوات التحديد للأشعة كثيرة، ومنها المشروع المفتوح MONAI Label برخصة Apache-2.0: يقترح النموذج حدوداً، ويصححها الطبيب. وتذكر أن وقت الطبيب أغلى بند في ميزانية البيانات.

الخطوة 4: اقرأ أرقام الأداء بشكل صحيح

شرحنا مصفوفة الالتباس Confusion Matrix في مقال التعلم الآلي. ونحتاج منها هنا أربعة مقاييس بأسمائها الطبية:

المقياسالسؤال الذي يجيب عنه
الحساسية Sensitivityمن المرضى الذين لديهم النتيجة فعلاً، كم وجد النموذج؟
النوعية Specificityمن السليمين، كم تركهم النموذج دون تنبيه؟
القيمة التنبؤية الإيجابية PPVمن التنبيهات التي أطلقها النموذج، كم كان صحيحاً؟ وهذا ما يعيشه الطبيب كل يوم
AUCرقم بين 0.5 (صدفة) و1 (كامل) يقيس قدرة النموذج على ترتيب الحالات، لكنه لا يخبرك بأدائه عند الحد الذي ستشغله به فعلاً

والنقطة التي تغيب عن أغلب العروض التقديمية: الحساسية والنوعية من خصائص النموذج. أما PPV فتعتمد أيضاً على مدى انتشار الحالة Prevalence بين من يفحصهم.

مثال: نموذج «دقته 95%» وأغلب تنبيهاته خاطئة

لنفرض نموذجاً حساسيته 95% ونوعيته 95%، ونشغله على 10,000 فحص في برنامج فحص لعموم الناس، والحالة موجودة عند 1% منهم. والحساب باليد:

الخطوةالحسابالنتيجة
كم مريضاً؟10,000 × 1%100 مريض، و9,900 سليم
تنبيهات صحيحة100 × 95%95 تنبيهاً، وفاتت 5 حالات
تنبيهات خاطئة9,900 × 5%495 تنبيهاً
كل التنبيهات95 + 495590 تنبيهاً
PPV95 ÷ 59016.1%
على اليسار شجرة: 10,000 فحص منها 100 فيها النتيجة و9,900 دونها، ومن المئة 95 تنبيهاً صحيحاً و5 فائتة، ومن 9,900 عدد 495 تنبيهاً خاطئاً و9,405 صحيحة دون تنبيه، والتنبيهات 590 والقيمة التنبؤية الإيجابية 16.1% أي قرابة 5 تنبيهات خاطئة لكل تنبيه صحيح، والدقة 95% في كل الحالات. وعلى اليمين أشرطة القيمة التنبؤية لنفس النموذج: 89.1% عند انتشار 30%، و67.9% عند 10%، و50% عند 5%، و16.1% عند 1%، و3.7% عند 0.2%
نفس النموذج ونفس الدقة، والفرق كله في نسبة من لديهم النتيجة

أي أن الطبيب يرى نحو خمسة تنبيهات خاطئة مقابل كل تنبيه صحيح. وسيتوقف عن الثقة بالنظام خلال أسابيع. وهذه الظاهرة اسمها إرهاق التنبيهات Alert Fatigue.

وبنفس الحساب، هذا نفس النموذج في أماكن مختلفة:

المكاننسبة المرضىالدقة AccuracyPPV
عيادة متخصصة تحول إليها الحالات المشتبهة30%95%89.1%
10%95%67.9%
5%95%50.0%
فحص عام1%95%16.1%
فحص عام لحالة نادرة0.2%95%3.7%

ماذا نتعلم؟

  • الدقة بقيت 95% في كل الأماكن، لكن PPV نزلت من 89.1% إلى 3.7%. النموذج نفسه ممتاز في عيادة تحويل، وشبه عديم الفائدة في فحص عام. والفرق في المكان، وليس في النموذج.
  • رقم الدقة وحده لا يعني شيئاً: نموذج يقول «سليم» لكل شيء دقته 99% عند انتشار 1%، وهو لا يجد أي مريض.
  • قول النموذج «لا يوجد شيء» موثوق عندما تكون الحالة نادرة. ولهذا تصمم بعض المنتجات لاستبعاد الفحوص السليمة، بدل كشف المريضة.
  • كل نقطة نوعية في الطرف الأعلى تساوي الكثير: بنفس الحساب عند انتشار 1%، نوعية 98% ترفع PPV إلى نحو 32.4%، ونوعية 99% إلى نحو 49%، ونوعية 99.9% ترفعها إلى نحو 90.6%.

ولهذا تطلب إرشادات الهيئة السعودية أن تعكس بيانات الاختبار انتشار الحالة الحقيقي في الفئة المستهدفة.

الخطوة 5: التحقق الخارجي، هل يعمل في مستشفى آخر؟

الطريقة الشائعة: تقسم بيانات مستشفاك إلى تدريب واختبار، وتنشر رقم الاختبار. ولماذا لا تكفي؟ لأن بيانات الاختبار جاءت من نفس الأجهزة ونفس الأطباء ونفس الفئة السكانية. فهي تقيس قدرة النموذج على تذكر هذا المستشفى:

المستشفى A بجهاز X وشرائح 1 مليمتر تقسم بياناته إلى تدريب 70% وضبط 15% واختبار داخلي 15%، والنموذج يعطي AUC مرتفعاً داخلياً، والمستشفى B بجهاز Y وشرائح 5 مليمتر وفئة سكانية أخرى يرسل اختباراً خارجياً، وسهم إلى سؤال هل يتراجع AUC، وعلى اليمين ما يتغير: الشركة المصنعة وخوارزمية البناء، وسماكة الشريحة وتوقيت الصبغة، والعمر والجنس ونوع المرض، وانتشار النتيجة، وطريقة التحديد، وفي الأسفل أن التقسيم يكون بالمريض لا بالصورة
الأرقام في الرسم للتوضيح، والفكرة أن الاختبار الداخلي لا يكفي

وخمسة أسئلة تسألها لأي شركة تعرض عليك نتائجها:

  1. هل قسمت البيانات بالمريض، أم بالصورة؟ صور المريض الواحد متشابهة جداً. فإذا وقعت صورة في التدريب وجارتها في الاختبار، قاس الاختبار الحفظ وليس الفهم. ويسمى هذا تسرب البيانات Data Leakage، وشرحناه في مقال التعلم الآلي.
  2. هل يوجد تحقق خارجي External Validation؟ أي بيانات من مستشفى لم يشارك في التدريب، والأفضل أكثر من واحد بأجهزة مختلفة.
  3. هل حسبت الأرقام لكل فئة فرعية؟ لكل جهاز، وفئة عمرية، وجنس، ونوع مرض. فنموذج متوسطه جيد قد يكون سيئاً مع فئة كاملة.
  4. ما الذي يختلف في مستشفاي؟ الشركة المصنعة للجهاز، وطريقة بناء الصورة، وسماكة الشريحة، وتوقيت الصبغة، والفئة السكانية، وانتشار الحالة. كل هذا يغير الأداء.
  5. كيف تراقبون الأداء بعد التشغيل؟ المستشفى يحدث جهازه أو يغير طريقة الفحص، فيتغير أداء النموذج دون أن يتغير فيه شيء. لذلك تراقب كل شهر نوع الصور الداخلة، ونسبة التنبيهات، وما يرفضه الأطباء.

الخطوة 6: الموافقة التنظيمية، برنامجك جهاز طبي

البرنامج الذي يساعد في التشخيص أو العلاج يعامل في أغلب الدول كجهاز طبي. ويسمى «برنامج جهاز طبي» Software as a Medical Device، واختصاراً SaMD، كما في صفحة FDA. والصورة التالية تلخص المسارات الثلاثة التي يسأل عنها أي مستثمر:

ثلاثة أعمدة: السعودية وهيئة الغذاء والدواء SFDA بإذن تسويق الأجهزة الطبية MDMA وإرشادات MDS-G010 للذكاء الاصطناعي التي تطلب الارتباط السريري والتحقق التحليلي والتحقق السريري ومواقع متعددة وفئات فرعية وإبلاغاً بالتغييرات، والولايات المتحدة وFDA بمسار 510(k) المكافئ لجهاز سابق ومسار De Novo لجهاز جديد منخفض أو متوسط الخطر ومسار PMA للأعلى خطراً وخطة التغييرات المسبقة PCCP، والاتحاد الأوروبي والقاعدة 11 للبرمجيات بالفئة IIa افتراضياً وIIb للتدهور الخطير أو الجراحة وIII للوفاة أو التدهور الدائم، وفي الأسفل أن الجهة تعتمد استخداماً محدداً
ملخص مبسط من الوثائق الرسمية، والجهة تعتمد استخداماً محدداً وليس النموذج

هيئة الغذاء والدواء السعودية SFDA

نشرت الهيئة إرشادات الأجهزة الطبية المبنية على الذكاء الاصطناعي وتعلم الآلة MDS-G010، الإصدار 1.0 بتاريخ 29 نوفمبر 2022. وهدفها توضيح متطلبات إذن تسويق الأجهزة الطبية MDMA لهذه المنتجات داخل المملكة. وأهم ما فيها:

المحورماذا تطلب الإرشادات
هل منتجك جهاز طبي؟إذا كان الغرض المعلن الفحص أو الكشف أو التشخيص أو المتابعة أو العلاج لأي حالة طبية، فهو جهاز طبي خاضع للهيئة، ويصنف بحسب خطره وفق المتطلبات MDS-REQ 1
التقييم السريريثلاث خطوات: ارتباط سريري صحيح بين مخرج النموذج والحالة، ثم تحقق تقني، ثم تحقق سريري يقيس أثراً ذا معنى في الفئة المستهدفة. ومن المقاييس الحساسية والنوعية وPPV وNPV
بيانات الاختبارنسبة الحالات الطبيعية والمرضية تطابق انتشار الحالة في الفئة المستهدفة، ومن عدة مراكز، وتطابق خصائص سكان المنطقة، وحجمها مبرر إحصائياً، وغير منشورة للعموم حتى لا يكون النموذج تدرب عليها
الأداء عبر الفئات والمواقعدراسات في مواقع متعددة، وتحليل للفئات الفرعية، ومقارنة أداء الأطباء مع الجهاز وبدونه، لأن الغرض مساعدة الطبيب وليس استبداله
التغييراتإبلاغ الهيئة عبر نظامها الإلكتروني GHAD خلال 10 أيام من أي تغيير جوهري، و30 يوماً للتغيير غير الجوهري. أي أن إعادة تدريب النموذج ليست تحديثاً عادياً تنشره متى شئت

المصدر: إرشادات MDS-G010.

FDA في الولايات المتحدة

المسارمتى يستخدم
510(k)تثبت أن جهازك مكافئ لجهاز مسوق قانونياً قبله. وهو الأكثر شيوعاً بفارق كبير: في قائمة FDA للأجهزة المعتمدة بالذكاء الاصطناعي عددنا عند قراءتها 1,553 جهازاً بهذا المسار من 1,614
De Novoجهاز جديد منخفض أو متوسط الخطر لا يوجد مثله. ومنحه ينشئ فئة جديدة يستخدمها من بعده. مثلاً ContaCT أنشأ سنة 2018 فئة QAS، وفي يونيو 2026 حصل VAOT من GuideAI Health على موافقة 510(k) تحت نفس الفئة
PMAالأجهزة الأعلى خطراً، وهو الأصعب والأطول

وكل إصدار جوهري يحتاج تقديماً جديداً في الأصل. ولهذا تجد منتجات بأرقام إصدار، مثل MammoScreen (5) من Therapixel الذي حصل على موافقة 510(k) في 26 يونيو 2026. ولتخفيف ذلك نشرت FDA في أغسطس 2025 إرشاد خطة التغييرات المسبقة PCCP: تعرض في التقديم الأول التغييرات التي تنوي إجراءها على النموذج، وطريقة التحقق منها.

المصدر: قائمة FDA للأجهزة بالذكاء الاصطناعي.

الاتحاد الأوروبي MDR

لائحة الأجهزة الطبية الأوروبية فيها قاعدة خاصة بالبرمجيات هي القاعدة 11:

أثر القرار الذي يعتمد على البرنامجالفئة
قرار تشخيصي أو علاجي (الأصل)IIa
قد يسبب تدهوراً خطيراً في الصحة أو تدخلاً جراحياًIIb
قد يسبب الوفاة أو تدهوراً لا رجوع عنهIII

والنتيجة العملية: أغلب برامج الذكاء الاصطناعي في الأشعة لا تقع في أدنى فئة، فتحتاج تقييماً من جهة معتمدة Notified Body.

المصدر: دليل MDCG 2019-11، المراجعة الأولى.

الخطوة 7: التكامل، أين يجلس النموذج في يوم الطبيب؟

نموذج ممتاز يفتح في نافذة منفصلة لن يستخدمه أحد. طبيب الأشعة يعمل طوال اليوم في عارض الصور وقائمة القراءة، ولن يتركهما. لذلك يندمج المنتج في نظام أرشفة الصور PACS الذي شرحناه في أنظمة الصور الطبية:

الجهاز يرسل إلى PACS ب C-STORE، وPACS يوجه الفحوص المناسبة إلى عقدة الذكاء الاصطناعي في المستشفى أو في سحابة داخل الدولة، والعقدة تفلتر ثم تشغل النموذج ثم تكتب النتائج وترجعها إلى PACS ككائنات SR وSEG، وتظهر في العارض فوق الصورة، وترسل علامة أولوية إلى قائمة العمل في RIS برسالة HL7 أو FHIR، وفي الأسفل أسئلة فريق تقنية المستشفى: هل تخرج صورة من المبنى وإلى أي دولة، ومن يرى النتائج وهل يسجل كل وصول، وماذا يحدث إذا توقفت العقدة، وكيف تصل تحديثات النموذج ومن يوافق عليها
المنتج يعيش داخل PACS والعارض وقائمة القراءة، لا بجانبها
  • الاستلام: يرسل PACS الفحوص المناسبة فقط إلى خادم النموذج، بحسب نوع الفحص وجزء الجسم. والخادم يتحقق مرة أخرى، لأن هذه البيانات في الواقع غير منتظمة.
  • النتائج بصيغة الصور الطبية DICOM: الحدود ترجع كطبقة تقسيم Segmentation، والقياسات كتقرير منظم Structured Report بقوالب مثل TID 1500 في الجزء PS3.16. فتحفظ في نفس الفحص، ويعرضها أي عارض يفهمها.
  • قائمة القراءة: منتجات الفرز ترسل علامة أولوية إلى نظام معلومات الأشعة RIS برسالة HL7 أو FHIR، كما في مقال تبادل البيانات الصحية. فيرتفع الفحص إلى أعلى القائمة.
  • الأمن والتدقيق: كل تشغيل للنموذج وكل قراءة لنتيجته تسجل، كما في مقال سجل التدقيق. والمنتج نفسه جهاز طبي، له متطلبات أمن سيبراني قبل التسويق وبعده.
  • الفشل الآمن: إذا توقف خادم النموذج، يستمر العمل كأنه غير موجود. ولا يتوقف وصول الصور إلى PACS أبداً بسببه.

في المستشفى أم في السحابة؟

داخل المستشفى On-Premisesفي السحابة Cloud
البياناتتبقى الصور في المبنى، وهذا يريح فريق الأمنتخرج البيانات الصحية من المستشفى
التشغيلجهاز بمعالج رسوميات تديره عن بعد وتحدثه عند كل إصدارأسهل في التحديث والمراقبة
شرط مهممن يصلح الجهاز إذا تعطل؟مركز بيانات داخل المملكة، ومعرفة موقف لائحة نقل البيانات قبل أي وعد للعميل

الخطوة 8: نماذج العمل ودورة البيع

الشركة تبيع لجهة لها ميزانية ولجان، وليس لمستخدم يضغط زر اشتراك. وهذا ما يجب أن تعرفه قبل خطتك المالية:

طريقة التسعيرأثرها عليك
اشتراك سنوي لكل جهاز أو موقعالعميل يريد قيمة ثابتة كل شهر
سعر لكل فحص يمر على النموذجتتحمل أنت كلفة الحوسبة لكل فحص
البيع عبر منصة تجمع منتجات عدة شركات داخل PACS أو العارضتدفع للمنصة حصة

من يقرر الشراء؟ قسم الأشعة يريد المنتج. وتقنية المعلومات تراجع الأمن والتكامل. والمشتريات تفاوض. والإدارة الطبية أو لجنة الجودة توافق على الاستخدام. كل جهة تضيف أسابيع، فجهز لها ملفاتها مسبقاً:

  • وثيقة الأمن.
  • مخطط التكامل.
  • الموافقة التنظيمية.
  • نتائج التحقق.

التجربة Pilot: أغلب المستشفيات تطلب تجربة على بياناتها قبل الشراء. وهذه فرصة للتحقق الخارجي إذا صممتها كدراسة بمقاييس محددة مسبقاً، وليس كعرض مجاني.

إثبات القيمة: «النموذج دقيق» ليس سبباً للشراء. أما «انخفض زمن قراءة الحالات العاجلة» أو «قل وقت القياس اليدوي» فسبب. لذلك صمم القياس من اليوم الأول.

هل هذا كله يمنع شركة صغيرة من الدخول؟ لا، لكنه يغير ترتيب الأولويات. ابدأ باتفاقية بيانات، ومستشار تنظيمي، وطبيب شريك، قبل أن توظف مهندس تعلم آلي ثانياً. ولماذا لا يتحول البحث وحده إلى منتج في مقال من المختبر إلى المنتج.

قائمة تحقق قبل أن تبدأ

البندجاهز؟
جملة استخدام محدد واحدة: أي نتيجة، في أي فحص، لأي مستخدم، وماذا يتغير في عمله☐
اتفاقية بيانات مكتوبة، ومعالجة داخل المملكة، وإزالة هوية تشمل النص على الصورة، وموقف لجنة الأخلاقيات☐
تحديد بقارئين مستقلين على الأقل، ومعامل Kappa محسوب☐
تقسيم بالمريض، واختبار خارجي من موقع لم يشارك، وتحليل للفئات الفرعية، وحساب PPV عند الانتشار الحقيقي عند العميل☐
خطة تنظيمية لكل سوق، وخطة لإدارة التغيير قبل أول إعادة تدريب☐
تكامل داخل PACS وقائمة القراءة، وتشغيل لا يوقف عمل القسم إذا توقف☐

جرب بنفسك

  • خذ منتجاً من قاعدة بيانات FDA، واقرأ الحساسية والنوعية في ملخصه. ثم احسب PPV باليد بطريقة الجدول أعلاه، عند نسبة انتشار تتوقعها في مستشفى تعرفه.
  • في مثال الطبيبين، اجعل الفحوص الإيجابية نصف العينة مع بقاء الاتفاق 80%، واحسب Kappa بنفس الخطوات. ولاحظ كيف يتغير.

الخلاصة

  • النموذج خطوتان من ثماني، وأغلب الوقت والمال يذهب في البيانات والتحديد والتحقق والموافقة والتكامل.
  • ابدأ بنتيجة واحدة في فحص واحد ومكان واضح في عمل الطبيب.
  • الأطباء يختلفون: في مثالنا اتفاق 80% يعطي Kappa 0.52 فقط.
  • نموذج حساسيته ونوعيته 95% أطلق عند انتشار 1% عدد 590 تنبيهاً، منها 95 صحيحاً فقط، أي PPV 16.1%، بينما بقيت الدقة 95%.
  • التحقق الخارجي والفئات الفرعية والمراقبة بعد التشغيل هي ما يحدد إن كان النموذج يعمل في مستشفى آخر.
  • في السعودية إرشادات MDS-G010 وإذن MDMA، وفي أمريكا 510(k) وDe Novo وPMA مع PCCP للتحديثات، وفي أوروبا القاعدة 11.
  • المنتج يعيش داخل PACS والعارض وقائمة القراءة، والبيانات الصحية تبقى حيث يسمح النظام.
دليلكيف تعمل أنظمة الصور الطبية؟ DICOM وPACS من الداخلكيف تحفظ المستشفيات صور الأشعة وتنقلها بمعيار DICOM، وكيف تشغل أرشيفاً وعارضاً على سيرفرك وتجربهما على صور حقيقية.دليلتبادل البيانات الصحية بين الأنظمة: HL7 وFHIRكيف تنتقل نتائج المختبر وبيانات المريض بين أنظمة المستشفى برسائل HL7 وواجهات FHIR، وكيف تبني ذلك وتختبره بنفسك.دليلالتعلم الآلي Machine Learning للمبتدئينكيف تتعلم الآلة القواعد من الأمثلة، وكيف تعرف أن النموذج تعلم فعلاً ولم يحفظ الإجابات، ومتى تختار كل خوارزمية.دليلمن المختبر إلى المنتج: لماذا لا يتحول البحث العلمي عندنا إلى ابتكار؟الترانزستور وSQL وTransformer بدأت أوراقاً في مختبرات شركات ثم صارت منتجات يستخدمها العالم. أعرض هذه القصص وأرقام الإنفاق والباحثين والبراءات في منطقتنا مقارنة بغيرها، ثم رأيي في سبب توقف البحث عندنا عند النشر وما الذي يمكن أن يغير ذلك.دليلAudit Trail: كيف تبني سجل تدقيق لا يقبل العبثكيف تصمم سجلاً يجيب عن سؤال من غير هذه الصلاحية ومتى، وتحميه من الحذف والتعديل بعد كتابته.

سجل التحديثات

  • 2026-11-13: إعادة كتابة المقال بلغة أوضح وخطوات وجداول، دون كود.
  • 2026-11-14: مراجعة المقال وإعادة المعلومات المفيدة ونتائج البيانات الحقيقية التي حذفت في إعادة الكتابة.
  • أكتوبر 2026: كتابة المقال، والرجوع إلى إرشادات SFDA رقم MDS-G010 الإصدار 1.0 وقائمة FDA للأجهزة بالذكاء الاصطناعي ودليل MDCG 2019-11 بمراجعته الأولى، كما قرأناها في 9 أكتوبر 2026.
نشرة عرب رووت | ArabRoot

معرفة تستحق مكاناً في بريدك.

مقالات مختارة وأدوات مفيدة وأفكار لمشروعك القادم، في رسالة واحدة كل أسبوع.

يمكنك إلغاء الاشتراك متى شئت. الخصوصية

تم استلام طلبك. افتح بريدك واضغط رابط التأكيد لإتمام الاشتراك.