يستخدم الذكاء الاصطناعي بالفعل في مجالات طبية كثيرة، من التصوير الطبي إلى اكتشاف الأدوية. ومن التطبيقات الأقل ظهورا، وربما الأكثر أهمية مستقبلا، استخدام AI قبل بدء التجربة السريرية.
التجارب السريرية مكلفة وطويلة ومليئة بعدم اليقين. على الباحثين أن يقرروا من هم المرضى المناسبون، وما النتائج التي يجب قياسها، وكيف تنظم مجموعات العلاج، ومدة الدراسة والمنهج الإحصائي. ويمكن لهذه القرارات أن تؤثر في قدرة التجربة على تقديم إجابة مفيدة.
تطور QuantHealth أدوات محاكاة قائمة على الذكاء الاصطناعي تهدف إلى تمكين شركات الأدوية والتكنولوجيا الحيوية من اختبار بعض هذه القرارات افتراضيا قبل الالتزام بتجربة فعلية.
الفكرة جذابة، لكنها تحتاج إلى تفسير حذر. المريض الافتراضي ليس مريضا حقيقيا، والنتيجة المتوقعة ليست إثباتا على أن الدواء يعمل.
ماذا تعني محاكاة تجربة سريرية؟
تعتمد محاكاة التجارب السريرية على نماذج رياضية وحاسوبية لتقدير ما قد يحدث تحت تصاميم بحثية مختلفة.
لنفترض أن شركة أدوية تستعد لاختبار علاج جديد. قبل بدء التسجيل، قد تريد معرفة ما إذا كان تغيير شروط الأهلية سيغير مجموعة المرضى، أو ما إذا كانت نقطة نهاية مختلفة ستجعل الدراسة أكثر فائدة، أو إذا كان جدول علاج آخر سيغير احتمال اكتشاف تأثير.
تقليديا تعتمد مثل هذه القرارات على أبحاث سابقة ومنطق بيولوجي ونمذجة إحصائية وخبرة بشرية. يضيف الذكاء الاصطناعي طبقة أخرى عبر تحليل كميات كبيرة من البيانات السريرية والبيولوجية وتوليد توقعات لسيناريوهات متعددة.
تقول QuantHealth إن نظامها يسمح لفرق التطوير بتغيير متغيرات البروتوكول وفحص التأثيرات المتوقعة على النتائج والجدوى والتكلفة وعوامل أخرى. ويمكن للقراء الاطلاع على آلية QuantHealth لمحاكاة التطوير السريري لفهم كيفية وصف الشركة لهذه العملية.
الكلمة الأساسية هي "المتوقعة". هذه مخرجات نموذج وليست نتيجة سريرية.
لماذا تهتم شركات الأدوية؟
يمكن لتجربة سيئة التصميم أن تستهلك سنوات ورأس مال كبير.
لهذا توجد رغبة قوية في اكتشاف المشكلات قبل تسجيل أول مريض. فإذا أظهرت المحاكاة أن مجموعة مرضى مقترحة لن تنتج على الأرجح إجابة مفيدة، أو أن نقطة النهاية لا تناسب التأثير المتوقع للعلاج، فقد يمكن تعديل التصميم في وقت مبكر.
القيمة المحتملة أوسع من توقع النجاح أو الفشل. يمكن للمحاكاة أن تعمل كأداة لدعم القرار، تساعد الفرق على مقارنة هياكل الدراسات وافتراضات التسجيل والمجموعات الفرعية وخيارات البروتوكول.
يتزايد الاهتمام بهذا المجال مع توسع استثمارات صناعة الأدوية في الذكاء الاصطناعي. وفي أغسطس 2026 أعلنت QuantHealth عن جولة Series B بقيمة 45 مليون دولار بقيادة Qumra Capital وبمشاركة مستثمرين بينهم Pitango HealthTech وSanofi Ventures. وأكدت تقارير إسرائيلية مستقلة الجولة.
هذا التمويل يجعل الشركة مثالا إسرائيليا حديثا على اتجاه أوسع: انتقال AI من المراحل المبكرة لاكتشاف الأدوية إلى قرارات التطوير السريري نفسها.
لا يمكن تجاوز مشكلة الأدلة
تعتمد فائدة أي محاكاة على النموذج والبيانات التي تقف خلفها.
إذا كانت البيانات ناقصة أو غير ممثلة أو منحازة، فقد يعطي حتى النموذج المتطور نتيجة مضللة. وهذا حساس بشكل خاص في الطب، حيث يمكن للعمر والجنس والعوامل الوراثية ومرحلة المرض والعلاجات السابقة ومتغيرات أخرى أن تؤثر فعليا في النتائج.
النموذج الذي يعمل جيدا في سياق معين قد لا يعمل بالمستوى نفسه في سياق آخر.
تنشر QuantHealth أمثلة على عمليات تحقق، وتقول إن منصتها استخدمت لمحاكاة مئات التجارب. لكن أرقام الأداء هذه يجب أن تظل منسوبة إلى الشركة ما لم يتم تكرارها أو التحقق منها بشكل مستقل في أبحاث خارجية متاحة.
هذا الفرق ضروري عند مناقشة الذكاء الاصطناعي الطبي.
المنظمون يسألون أيضا: هل النموذج موثوق لهذا الاستخدام بالتحديد؟
وضعت إدارة الغذاء والدواء الأمريكية FDA إطارا لتقييم نماذج AI المستخدمة في تطوير الأدوية والمنتجات البيولوجية. ومن المفاهيم الأساسية فيه "سياق الاستخدام".
بمعنى بسيط، لا يكفي السؤال عما إذا كان النموذج دقيقا عموما. يجب فهم القرار الذي سيدعمه، والبيانات التي بني عليها، وكيف تم تقييمه، وما العواقب إذا كانت مخرجاته خاطئة.
وهذه طريقة مفيدة لفهم محاكاة التجارب. النموذج المستخدم لاستكشاف تصاميم بديلة لا يؤدي بالضرورة الدور نفسه الذي يؤديه نموذج تدخل مخرجاته مباشرة في قرار تنظيمي.
كلما كان الاستخدام أكثر تأثيرا، زادت الحاجة إلى أدلة أقوى.
المحاكاة لا تستبدل التجربة السريرية
هذه أهم نقطة وأحد أكثر الأمور عرضة لسوء الفهم.
يمكن للذكاء الاصطناعي محاكاة نتائج محتملة. لكنه لا يستطيع إثبات أن دواء تجريبيا آمن وفعال لدى مرضى حقيقيين لمجرد أن النموذج يتوقع ذلك.
البيولوجيا البشرية معقدة، واحتمال ظهور تأثيرات غير متوقعة هو أحد أسباب وجود التجارب السريرية أصلا.
لذلك فإن الدور الأكثر واقعية للذكاء الاصطناعي في المدى القريب هو تحسين القرارات حول التجارب، وليس إلغاء التجارب نفسها. إذا ساعد النموذج في اكتشاف تصميم ضعيف مبكرا فقد يوفر الوقت والموارد، وإذا ساعد في فحص مجموعات المرضى ونقاط النهاية بشكل أكثر منهجية فقد يحسن القرارات قبل التسجيل.
لكن ذلك لا يلغي الحاجة إلى التحقق المستقل والتدقيق والرقابة التنظيمية المناسبة.
قصة تكنولوجيا صحية إسرائيلية وراءها سؤال أكبر
تمثل QuantHealth حالة دراسية مفيدة لأنها تقع عند تقاطع الذكاء الاصطناعي الإسرائيلي وأبحاث الأدوية والبيانات السريرية والطب الحاسوبي.
السؤال الأكبر ليس ما إذا كانت منصة واحدة تستطيع توقع كل تجربة. السؤال هو ما إذا كان تطوير الأدوية يمكن أن يصبح أكثر قدرة على التنبؤ قبل تعريض المرضى ورأس المال لقرارات يصعب عكسها.
يمكن لأنظمة AI معالجة متغيرات أكثر مما يستطيع فريق بشري فحصه واحدا واحدا، وهذا يخلق إمكانات حقيقية. لكن الطب أظهر مرارا أن التوقعات المثيرة للإعجاب يجب أن تصمد أمام اختبار الواقع.
لذلك من الأفضل فهم محاكاة التجارب كأداة إضافية داخل العلم السريري، وليس اختصارا يتجاوز العلم. وإذا تطورت التكنولوجيا مع تحقق موثوق وحدود واضحة، فقد تغير الطريقة التي يتعامل بها مصممو التجارب مع بعض أغلى القرارات في العملية.
يجب أن يبقى المعيار بسيطا: كلما كانت أهمية القرار أكبر، وجب أن تكون الأدلة المطلوبة للثقة بالنموذج أقوى.
