هل يخطئ التشخيص بالـAI مع اختلاف لون البشرة؟
Monday, 16-Nov-2026 08:24
لم تعُد أدوات التشخيص الرقمي مجرّد تقنيات مساعدة داخل المستشفيات، بل أصبحت جزءاً متزايد الأهمية من مستقبل الطب، من تحليل صور الجلد إلى مراقبة المؤشرات الحيوية والتنبّؤ بالمخاطر الصحية. لكن هذا التقدُّم يطرح سؤالاً جوهرياً: هل تتمتع هذه الأدوات بالدقة نفسها لدى جميع المرضى، أم أنّ لون البشرة قد يؤثر في قدرتها على اكتشاف المرض؟ تنبع أهمية السؤال من أنّ الخوارزميات الطبية تتعلّم من البيانات التي تُدرّب عليها. فإذا كانت هذه البيانات لا تمثل بصورة متوازنة مختلف ألوان البشرة، فقد تنتج أنظمة أكثر دقة لدى فئات معيّنة، وأقل موثوقية لدى فئات أخرى.
عندما تتحوَّل البيانات إلى مصدر للتحيُّز
يظهر أحد أبرز الأمثلة في تشخيص الأمراض الجلدية باستخدام الذكاء الاصطناعي. تعتمد هذه الأنظمة على تحليل الصور والتعرّف على أنماط بصرية مرتبطة بأمراض مثل سرطان الجلد والصدفية والأكزيما. غير أنّ أداءها قد يتراجع عندما تُختبر على صور لأشخاص ذوي بشرة داكنة، خصوصاً إذا كانت بيانات التدريب تتضمّن عدداً محدوداً من هذه الحالات.
وفي دراسة نُشرت في مجلة The Lancet Digital Health، راجع باحثون أداء أنظمة التعلُّم العميق في تشخيص الأمراض الجلدية، وخلصوا إلى وجود فجوات في تمثيل درجات البشرة، وأنواع الأمراض ضمن مجموعات البيانات المستخدمة. وأظهرت المراجعة أنّ كثيراً من الدراسات لم توفّر معلومات كافية تسمح بتقييم دقة الخوارزميات بصورة عادلة بين المجموعات السكانية المختلفة.
ولا يقتصر الأمر على صور الجلد. فقد أثارت أجهزة قياس تشبع الأكسجين بالنبض مخاوف مماثلة، بعدما أظهرت أبحاث أنّ بعض الأجهزة قد تبالغ في تقدير مستويات الأكسجين لدى أصحاب البشرة الداكنة، ما قد يؤدّي إلى عدم اكتشاف نقص الأكسجة في الوقت المناسب.
أرقام تكشف فجوة التشخيص
في دراسة نُشرت في مجلة The New England Journal of Medicine، وجد الباحثون أنّ احتمال وجود نقص أكسجة خفي، على الرغم من ظهور قراءة مطمئنة نسبياً على جهاز قياس الأكسجين، بلغ 11,7% لدى المرضى السود، مقارنة بـ3,6% لدى المرضى البيض في مجموعة بيانات أولى. وفي مجموعة ثانية، بلغت النسب 17% و6,2% على التوالي. وتكتسب هذه النتائج أهمية سريرية، لأنّها توضح أنّ خطأ القياس ليس مجرّد مشكلة تقنية، بل قد يؤثر في قرارات إعطاء الأكسجين أو إدخال المريض إلى المستشفى أو تصعيد الرعاية الطبية.
كيف يمكن معالجة المشكلة؟
تبدأ المعالجة بتوسيع قواعد البيانات لتشمل تمثيلاً حقيقياً لمختلف ألوان البشرة والأعمار والخلفيات السكانية، ثم اختبار الأجهزة والخوارزميات بصورة مستقلة قبل اعتمادها. كذلك ينبغي نشر نتائج الأداء بحسب الفئات، بدلاً من الاكتفاء بمعدّل دقة إجمالي قد يخفي تفاوتاً مهماً.
ولا يعني ذلك رفض التشخيص الرقمي، بل تطويره وفق معايير أكثر عدالة وموثوقية. فالذكاء الاصطناعي يمكن أن يساعد الطبيب في اكتشاف مؤشرات مبكرة، لكنه لا ينبغي أن يحل محل الفحص السريري أو التقييم الطبي المتكامل.
الدقة الطبية تبدأ بالإنصاف
لا يكفي أن تكون التقنية سريعة أو متقدّمة حتى تصبح جديرة بالثقة. فنجاحها الحقيقي يقاس بقدرتها على تقديم نتائج دقيقة لجميع المرضى، لا للأغلبية التي تمثلها بيانات التدريب فقط. ومن هنا، يصبح الإنصاف في تصميم أدوات التشخيص واختبارها شرطاً أساسياً لسلامة المرضى، وليس مجرّد اعتبار أخلاقي إضافي.