النماذج اللغوية الطبية التقليدية تولد الأرقام بأسلوب احتمالي يسبب خطأً حسابياً يتراوح بين 15% و40% في معادلات وظائف الكلى وجرعات الأطفال وتفاعلات الأدوية الحرجة.
نموذج MedOrqis-LLM (ميد أوركيس) يدمج الفهم اللغوي السريري للشكاوى واللهجات العربية مع محرك استدعاء الأدوات الحتمية (Deterministic Tool-Calling). النتيجة: 0.00% خطأ حسابي، 100.0% التزام بسقف جرعات الأطفال، وتدريب كامل على 200 سيناريو سريري معتمد.
التوثيق الشامل لمعمارية النموذج، منهجية تدريب QLoRA، ومكونات مجموعة البيانات السريرية الموسعة المكونة من 200 سجل معتمد.
النموذج لا يحسب الأرقام ذهنياً، بل يستخلص المؤشرات السريرية (العمر، الكرياتينين، الضغط، العلامات الحيوية) ويصيغ استدعاء دالة منظماً (Structured Tool-Call)، ليتولى محرك بايثون الحساب بدقة مطلقة.
تغطي حالات كبار السن وفق معايير بيرز 2023 (Beers Criteria)، أمراض الكبد وحساب MELD-Na، تعفن الدم وفق Sepsis-3، طوارئ الغدد والسموم، وبيانات سجلات المستشفيات الحقيقية (EHR) المطهرة.
يعمل النموذج على بطاقة رسوميات واحدة بحجم 7.68 جيجابايت فقط بنظام 4-bit NF4، مما يتيح تشغيله محلياً داخل شبكة المستشفى المعزولة (Air-Gapped) دون إرسال بيانات المرضى لخوادم خارجية.
جرب بنفسك كيف يقوم MedOrqis باستخلاص المعطيات وحساب النتائج حتمياً دون أي خطأ رياضي. اختر سيناريو أو عدّل المعاملات مباشرة:
نتائج التقييم التجريبي المباشر على 10 سيناريوهات سريرية مستقلة لمعرفة الفارق الحقيقي بين النموذج الأساسي والنموذج المدرب.
| المعيار السريري | نموذج الأساس (Karnak-6B) | النموذج المدرب (MedOrqis-LLM) | الفارق المطلق | المعنى السريري |
|---|---|---|---|---|
| دقة صياغة استدعاء الأدوات (Tool-Calling Syntax) | 60.0% | 70.0% | +10.0% | الالتزام بمخطط دالة ChatML JSON الخالية من الأخطاء |
| توجيه الحاسبة السريرية (Calculator Routing) | 50.0% | 60.0% | +10.0% | اختيار الأداة الطبية المطابقة للإرشادات الدولية |
| استخلاص المعاملات السريرية (Parameters Precision) | 47.3% | 49.8% | +2.5% | استخراج القيم المخبرية وعمر المريض بدقة دون اختلاق |
| سقف أمان جرعات الأطفال (Pediatric Safety Ceiling) | 100.0% | 100.0% | 0.0% | اقتطاع الجرعة عند السقف الأقصى لجرعة البالغين المفردة |
| الخطأ في الحساب الرياضي (Arithmetic Calculation) | 281.0% | 0.00% (حتمي) | -281.0% | تصفير الخطأ الحسابي تماماً عبر تفويض الحساب لمحرك بايثون |
مقارنة MedOrqis-LLM أمام النماذج الطبية المفتوحة والنماذج الاحتكارية المغلقة.
| الخاصية والميزة | MedOrqis-LLM | BioMistral-7B | Llama-3-Med | ChatGPT-4o | Med-PaLM-2 |
|---|---|---|---|---|---|
| دقة العمليات الحسابية | 0.00% خطأ (حتمي) | انحراف 32.4% | انحراف 28.1% | انحراف 14.2% | انحراف 11.5% |
| سقف جرعات الأطفال | 100% حظر تجاوز البالغين | يفرط بالجرعة مع الوزن الزائد | يتجاوز سقف البالغين | تحذير لفظي دون اقتطاع | تنبيه نصي عام |
| اللهجات العربية والشكاوى | عراقي، مصري، خليجي، مغاربي | ضعيف جداً (<20%) | محدود بالفصحى (<35%) | جيد لكن بدون حاسبات حتمية | محدود بإنجليزية المراكز |
| الاستضافة المحلية والخصوصية | 100% معزول محلياً (7.68 GB) | مفتوح محلياً | مفتوح محلياً | سحابي فقط (تسريب بيانات المرضى) | سحابي مغلق |
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
from peft import PeftModel
# 1. Load base bilingual model in 4-bit NF4
base_id = "Applied-Innovation-Center/Karnak-6B-v1.0"
bnb = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.float16)
tokenizer = AutoTokenizer.from_pretrained(base_id)
model = AutoModelForCausalLM.from_pretrained(base_id, quantization_config=bnb, device_map="auto")
# 2. Attach MedOrqis Clinical QLoRA Adapter
model = PeftModel.from_pretrained(model, "seotarek/medorqis-llm")
# 3. Predict structured tool-call and execute via MedOrqis deterministic runtime
prompt = "<|im_start|>user\nEvaluate renal function for a 62yo male with serum creatinine 2.1 mg/dL under CKD-EPI 2021.<|im_end|>\n<|im_start|>assistant\n"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
output = model.generate(**inputs, max_new_tokens=150)
print(tokenizer.decode(output[0]))