تجنّب مخاطر الذكاء الاصطناعي في مجال الرعاية الصحية

ينطوي الذكاء الاصطناعي على إمكانات واعدة كبيرة لتحسين كفاءة الرعاية الصحية وخفض التكاليف وتعزيز نتائج المرضى. إلا أن العديد من مبادرات الذكاء الاصطناعي في مجال الرعاية الصحية لن تحقق أهدافها المعلنة، ليس لأن التقنية غير كافية، بل لأنها تُطبَّق بطرق لا تتوافق مع آلية عمل مؤسسات الرعاية الصحية.

بالنسبة لقادة الرعاية الصحية، لم يعد التحدي يتمثل في ما إذا كان الذكاء الاصطناعي سيكتسب أهمية، بل في كيفية ضمان تقديمه قيمة مجدية ومستدامة. يتطلب تحقيق هذا الهدف دمج الذكاء الاصطناعي في البيانات وعمليات سير العمل والحوكمة التي تقوم عليها عملية تقديم الرعاية، بدلاً من تمويله كسلسلة من الاستثمارات المنعزلة. عند تفعيل الذكاء الاصطناعي بهذه الطريقة، يمكنه تقليل الاحتكاك التشغيلي وتحسين عملية اتخاذ القرارات السريرية والتجارية وتقديم حلول لمشكلات طويلة الأمد في مجال الرعاية الصحية.

فهم كيفية عمل الذكاء الاصطناعي

تتبع البرامج التقليدية قواعد صريحة كتبها المبرمجون. وعلى النقيض من ذلك، يتم تدريب أنظمة الذكاء الاصطناعي باستخدام البيانات للتعرّف على الأنماط وإنشاء تنبؤات أو تصنيفات أو محتوى. وهذا يعني أن الذكاء الاصطناعي لا يكون جيدًا إلا بقدر جودة البيانات التي يتم تدريبه عليها ويستخدمها لاستخلاص النتائج.

التعلّم من مجموعات البيانات الكبيرة ومتعددة الوسائط (والتي يمكن أن تشمل الصور ومعلومات الجينوم والبيانات غير المنظمة بالإضافة إلى البيانات المنظمة) يمكّن أنظمة الذكاء الاصطناعي من تنفيذ مهام كانت صعبة على أجهزة الكمبيوتر سابقًا، مثل تفسير الأوامر باللغة الطبيعية، والتعرّف على الأنماط في التصوير الطبي واكتشاف الارتباطات ذات الدلالة عبر مجموعات البيانات السريرية الكبيرة، على سبيل المثال، اكتشاف العلامات المبكرة للأمراض من خلال التغيرات الطفيفة في العلامات الحيوية ونتائج تحاليل المختبر أو اكتشاف الأورام في صور الأشعة.

هناك أنواع مختلفة من الذكاء الاصطناعي. يحدد الذكاء الاصطناعي التنبؤي الأنماط ويتوقع النتائج المحتملة، كما في تحديد القيم الشاذة في صور الأشعة. الذكاء الاصطناعي التوليدي ينشئ محتوى جديدًا مثل النصوص أو التعليمات البرمجية أو الصور. في مجال الرعاية الصحية، يمكن للذكاء الاصطناعي التوليدي مساعدة الأطباء السريريين على تلخيص سجلات المرضى وصياغة ملخصات الخروج من المستشفى وخطابات الإحالة ودعم الأبحاث من خلال المراجعة السريعة للدراسات والأبحاث العلمية. هناك شكل أحدث من الذكاء الاصطناعي، يُسمى الذكاء الاصطناعي القائم على الوكلاء، يتجاوز ذلك بخطوة إضافية. يمكنه التخطيط واتخاذ القرارات وتنفيذ إجراءات ذاتية التوجيه ضمن حدود تحددها القواعد التي يضعها البشر.

يمكن لجميع أشكال الذكاء الاصطناعي هذه، مجتمعة، تقليل الأعمال اليدوية والمتكررة التي يقوم بها الأشخاص، مع توفير البيانات والمعلومات اللازمة لدعم عملية اتخاذ القرار البشري.

تُعدّ البنية الأساسية للحوسبة مكوّنًا أساسيًا آخر للذكاء الاصطناعي للمؤسسات. تتطلب نماذج الذكاء الاصطناعي كميات كبيرة للغاية من القدرة الحاسوبية للتدريب والتشغيل عبر مجموعات بيانات ضخمة. تتم معالجة أحمال العمل هذه عادةً بواسطة أعداد هائلة من المعالجات عالية الأداء المنتشرة في مراكز بيانات مزودة بالطاقة والتبريد والشبكات المطلوبة للذكاء الاصطناعي على نطاق واسع. تصل العديد من المؤسسات إلى هذه البنية الأساسية من خلال الخدمات السحابية، ما يتيح لها استخدام إمكانات حوسبة متقدمة دون إنشاء منشآت خاصة بها، والدفع فقط مقابل موارد الحوسبة التي تستخدمها. جعل هذا المزيج من الأجهزة المتخصصة والبنية الأساسية السحابية نشر الذكاء الاصطناعي للمؤسسات أكثر عملية.

من المفاهيم الخاطئة الشائعة لدى مؤسسات الرعاية الصحية أن النجاح في استخدام الذكاء الاصطناعي يتطلب إنشاء نماذج مملوكة لأصحابها. عمليًا، لن تقوم معظم المؤسسات بتدريب نماذج التأسيس من الصفر. بدلاً من ذلك، يمكنهم نشر نماذج الذكاء الاصطناعي الحالية المدرّبة على معلومات متخصصة في الرعاية الصحية وعلوم الحياة وتكييفها، مثل بيانات الأدوية وقوائم الدواء والأبحاث السريرية وإرشادات الممارسة وبيانات علم الأوبئة وقواعد الجهات الملزمة بالدفع والأدلة المستمدة من العالم الحقيقي.

المقارنة بين الإضافات الملحقة والميزات المدمجة

رغم أن نماذج الذكاء الاصطناعي قد تكون قوية، فإنها تحتاج إلى التكامل الكامل مع البيانات عبر مؤسسة الرعاية الصحية والنظام البيئي الأوسع نطاقًا. نماذج الذكاء الاصطناعي المستقلة خارج التطبيقات الأساسية غير كافية ويمكن أن تنطوي على مخاطر كبيرة. على سبيل المثال، قد تحدد أدوات تحليلات الذكاء الاصطناعي المستقلة المرضى الأكثر عرضة للخطر، لكنها غالبًا لا تستطيع اتخاذ إجراءات لضمان حصولهم على الرعاية أو المتابعة في الوقت المناسب.

يمكن للحلول الإضافية معالجة مشكلات أو أوجه قصور محددة في سير العمل، لكنها نادرًا ما تحقق أثرًا مؤسسيًا مستدامًا لأن رؤاها تظل منفصلة عن بقية المؤسسة. إن النموذج الذي يعمل بمعزل عن الأنظمة الأخرى لا يمتلك بطبيعته أي معرفة ببيانات المرضى في الوقت الحقيقي أو عمليات سير العمل السريري المحلي أو سياسات المؤسسة أو المعارف الطبية التي تتطور باستمرار، ما لم يُربط بهذه الأنظمة ربطًا مباشرًا.

ونتيجةً لذلك، قد تكون مخرجاته عامة أو قديمة أو غير متوافقة مع السياق السريري المحدد الذي تُتخذ فيه القرارات. كما أن النماذج المستقلة عرضة لما يُعرف "بالهلوسة"، إذ قد تولد استجابات تبدو معقولة، لكنها لا تستند إلى حقائق أو معلومات موثوقة.

يُعد هذا القيد مهمًا بشكل خاص في مجال الرعاية الصحية، حيث يمكن أن تتسبب المعلومات غير الكاملة أو غير الصحيحة في إلحاق الضرر بالمرضى. قد يُنشئ نموذج مُضاف كملحق ملخصًا سريريًا منظمًا جيدًا لكنه يغفل خللاً حرجًا في نتائج المختبر، أو يقترح نهجًا علاجيًا يتعارض مع حساسيات المريض أو أدويته الحالية، أو يقدم توصيات لا تعكس أحدث الإرشادات السريرية أو بروتوكولات الرعاية في المؤسسة. نظرًا لأن هذه المخرجات غالبًا ما تُقدَّم بلغة موثوقة، قد لا يكتشف المستخدمون المشكلة فورًا دون مراجعة دقيقة.

الذكاء الاصطناعي المدمج

الأكثر فعالية من إلحاق حلول ذكاء اصطناعي منفصلة بالعمليات وعمليات سير العمل الحالية هو تضمين الذكاء الاصطناعي مباشرةً داخل تطبيقات المؤسسات حيث يتم إنجاز العمل بالفعل. عند دمج الذكاء الاصطناعي بشكل أصلي في السجلات الصحية الإلكترونية (EHRs)، والأنظمة الأساسية لدورة الإيرادات وأنظمة سلسلة التوريد وأنظمة الموارد البشرية، يمكنه العمل مع إمكانية الوصول إلى بيانات في الوقت الحقيقي وغنية بالسياق داخل عمليات سير العمل المعتمدة، بحيث يستخدم نموذج الذكاء الاصطناعي كلاً من البيانات الخارجية التي تم تدريبه عليها والبيانات الداخلية من المؤسسة.

يمكن للذكاء الاصطناعي المضمّن إظهار الرؤى في لحظة اتخاذ القرارات، في أثناء التوثيق السريري أو تخطيط الخروج أو طلب الأدوية أو الفصل في المطالبات، بدلاً من مطالبة المستخدمين بمغادرة سير عملهم أو تفسير مخرجات غير مترابطة. يمكن لوكلاء الذكاء الاصطناعي المتكاملين أيضًا تشغيل إجراءات لاحقة، مثل جدولة رعاية المتابعة أو بدء الإحالات أو تحديث خطط الرعاية. يقلل هذا التكامل الوثيق من التعقيدات، ويحسّن اعتماد المستخدمين، ويزيد من احتمالية تحقيق الذكاء الاصطناعي لعائد الاستثمار.

ومن الأمثلة الواضحة على ذلك التوثيق السريري المدعوم بالذكاء الاصطناعي والمدمج مباشرةً في السجل الصحي الإلكتروني. عند دمج الاستماع المحيطي وإنشاء الملاحظات ودعم كتابة التعليمات البرمجية ومهام المتابعة في سير عمل السجل الصحي الإلكتروني الحالي، يقلل حل الذكاء الاصطناعي من الاحتكاك من خلال التخلص من عمليات تسجيل الدخول الإضافية وإدخال البيانات المكرر وتعطيل سير العمل. وهذا يجعل التبنّي أكثر احتمالاً، إذ يمكن للأطباء استخدام هذه الإمكانات داخل النظام الذي يعرفونه بالفعل ويستخدمونه يوميًا. قد يوفّر الحل المُضاف ميزات مماثلة، ولكن إذا كان يتطلب من المستخدمين الخروج من سير عملهم المعتاد، فإن معدل الاستخدام يميل إلى الانخفاض، ومعه تنخفض احتمالية تحقيق عائد مجدٍ على الاستثمار في التقنية.

يتطلب الذكاء الاصطناعي ذو التأثير الكبير مجموعة تقنيات متكاملة

يتطلب وضع إستراتيجية قوية للذكاء الاصطناعي بنيةً أساسيةً سحابية توفر قابلية التوسع والأمان وطبقة بيانات موحدة لدمج البيانات وتوحيدها على مستوى المؤسسة، بالإضافة إلى تطبيقات أو نماذج تحليلية تعمل فوق هذه الطبقة لتحويل البيانات إلى رؤى وإجراءات قابلة للتنفيذ. من دون هذه "الكومة" الكاملة، يظل الذكاء الاصطناعي مجزأً: إذ تُنتج التطبيقات المختلفة توصيات غير متسقة، وتتفاوت جودة البيانات، ويصبح تطبيق السياسات أكثر صعوبة، وترتفع التكاليف ومستويات التعقيد.

في مجال الرعاية الصحية، تُعدّ هذا التجزئة شائعة. يمكن لإمكانات الذكاء الاصطناعي المضمّنة في السجل الصحي الإلكتروني لدى المقدم استخدام البيانات السريرية، لكنها لن تدمج قواعد الجهات الملزمة بالدفع أو حالة التفويض أو قيود الإمداد أو توفر رعاية ما بعد الحالات الحادة أو السياق التشغيلي ما لم يتم دمج هذه المصادر. والنتيجة هي اتخاذ قرارات تنطوي على نقاط عمياء، على سبيل المثال، خطط رعاية تتجاهل حدود التغطية، أو تخطيط للخروج من المستشفى لا يعكس قيود التوظيف، أو ذكاء اصطناعي لدورة الإيرادات يرفض المطالبات من دون سياق سريري كافٍ.

غالبًا ما يمتد السياق ذو الصلة إلى ما هو أبعد من الأنظمة السريرية التقليدية، ليشمل البيانات التشغيلية الواردة من أنظمة الموارد البشرية وإدارة سلسلة التوريدات، فعلى سبيل المثال، قد يتضمن معرفة ما إذا كانت الأدوية متوفرة في المخزون، أو ما إذا كانت المعدات الطبية المخصصة للاستخدام المتكرر قد سُلِّمت إلى منزل المريض، أو ما إذا كانت قيود التوظيف أو نقص الموظفين قد يؤديان إلى تأخير خروج المريض من المستشفى أو تأجيل تقديم رعاية المتابعة.

المبدأ بسيط: إن تضمين الذكاء الاصطناعي في التطبيقات ضروري، لكنه غير كافٍ. لتحقيق تأثير على مستوى النظام بأكمله، يجب دعم الذكاء الاصطناعي المضمّن بنظام أساسي واحد للبيانات يحدّث السياق باستمرار عند الاستدلال، ما يتيح تحليلاً ذكيًا دقيقًا ومحدّثًا ومنسقًا عبر المؤسسة. في غياب هذا التكامل، سيظل الوضع الراهن، حيث لا تتوفر البيانات في المكان والوقت المناسبين، دون تغيير جوهري.

تهيئة بيانات المؤسسة لاستخدام الذكاء الاصطناعي

تعتمد إستراتيجيات الذكاء الاصطناعي الناجحة على أساس تقني أوسع نطاقًا واستثمار في بُنى بيانات حديثة قادرة على دمج البيانات وتنظيمها وحوكمتها عبر المؤسسة. يمثل ذلك تحديًا لأن بيانات الرعاية الصحية مجزأة ومتباينة بطبيعتها، إذ تمتد عبر الحقول المنظمة والملاحظات السريرية غير المنظمة والصور ومعلومات الجينوم، وغالبًا ما تُخزَّن في أنظمة تستخدم معايير ومفردات مختلفة.

يساعد النظام الأساسي الحديث للبيانات هنا من خلال جمع بيانات الرعاية الصحية المجزأة وتحويلها إلى أساس موحّد وموثوق يمكن للذكاء الاصطناعي استخدامه بشكل موثوق. يربط نماذج الذكاء الاصطناعي بمعلومات المؤسسة حتى يتمكن النموذج من استرجاع الحقائق الأكثر صلة عند طرح سؤال، وبناء ردوده على سياق حالي خاص بالمؤسسة.

يجعل طبقة البيانات الدلالية البيانات متسقة وقابلة للمقارنة. يحوّل المدخلات غير المنظمة وغير المتسقة إلى مصطلحات وتنسيقات قياسية، مثل التعامل مع "احتشاء عضلة القلب" و"النوبة القلبية" باعتبارهما الحالة نفسها، وضمان تفسير نتائج المختبر بالطريقة نفسها عبر الأنظمة والمواقع.

علاوة على ذلك، تضيف الرسوم البيانية المعرفية السياق المفقود من خلال إظهار كيفية ترابط الأشياء بمرور الوقت. فهي تربط المرضى والتشخيصات والعلاجات ومقدمي الرعاية والزيارات والموارد، بحيث يمكن للذكاء الاصطناعي "رؤية" علاقات العالم الحقيقي الكامنة وراء البيانات.

على سبيل المثال، بدلاً من التعامل مع رمز تشخيص أو قيمة مختبرية غير طبيعية أو أمر دوائي أو دخول إلى المستشفى كأحداث منفصلة، يمكن للذكاء الاصطناعي فهم أنها جميعًا ترتبط بالمريض نفسه، وبنفس حلقة الرعاية، وبالسياق السريري الأساسي نفسه. وهذا يزيد إلى حد كبير من احتمالية أن يتمكّن الذكاء الاصطناعي من الربط الصحيح بين العناصر، وتجنب الافتراضات الخاطئة، وتوليد رؤى تستند إلى كيفية ارتباط المرضى والحالات والعلاجات والنتائج ببعضها فعليًا.

معًا، توفر الطبقة الدلالية والرسم البياني المعرفي الوضوح والسياق اللذين يحتاجهما الذكاء الاصطناعي لتفسير بيانات الرعاية الصحية بدقة، سواء عند بناء النماذج أو استخدامها في العمليات اليومية.

التوافق: الرابط المفقود بين البيانات والتأثير

حتى أقوى نظام أساسي للبيانات وإستراتيجية ذكاء اصطناعي لن يحققا الأداء المتوقع من دون التوافق، أي قدرة الأنظمة على تبادل البيانات بموثوقية وأمان وبصيغة قابلة للاستخدام عبر سلسلة الرعاية المتواصلة. في معظم بيئات الرعاية الصحية، تتوزع معلومات المرضى والمعلومات التشغيلية عبر السجلات الصحية الإلكترونية المتعددة والمختبرات وأنظمة التصوير والأنظمة الأساسية للجهات الملزمة بالدفع ومقدمي الرعاية اللاحقة للحالات الحادة وأنظمة الصحة العامة. عندما لا تتمكن هذه الأنظمة من مشاركة البيانات بفعالية، تصبح المؤسسات أمام رؤى جزئية أو متأخرة أو متضاربة حول المريض والعمليات، ما يحد من تنسيق الرعاية ويقلل من دقة الرؤى المدعومة بالذكاء الاصطناعي وفائدتها.

يُعد التوافق أيضًا مسألة تتعلق بالحوكمة ونموذج التشغيل. تحتاج المؤسسات إلى سياسات واضحة للوصول إلى البيانات ومطابقة المرضى/حلّ الهوية والمصدر (من أين جاءت البيانات) وضوابط الموافقة والخصوصية والتدقيق، لا سيما عند استخدام الذكاء الاصطناعي.

ومن المهم بالقدر نفسه معالجة العوائق غير التقنية، بما في ذلك القيود التعاقدية وعمليات سير العمل غير المتسق وسلوكيات "حجب البيانات" التي يمكن أن تحد من التبادل حتى عند وجود المعايير. ينبغي للقادة التعامل مع التوافق باعتباره قدرة إستراتيجية، وليست فكرة لاحقة للتكامل، لأنها تحدد مباشرةً ما إذا كان بإمكان الذكاء الاصطناعي العمل استنادًا إلى صورة كاملة وموثوقة ومحدثة لحالة المريض والنظام.

التقنيات القديمة ليست مصممة للذكاء الاصطناعي

يُعدّ إعداد البيانات للذكاء الاصطناعي أمرًا صعبًا لأن أنظمة تقنية المعلومات الأساسية القديمة لدى مؤسسات الرعاية الصحية، مثل قواعد بيانات MUMPS، صُممت لمعالجة المعاملات، وليس لمشاركة البيانات وتفسيرها في الوقت الحقيقي، وهو أمر بالغ الأهمية للاستخدام الفعّال للذكاء الاصطناعي. ونتيجةً لذلك، غالبًا ما يتعذر على التطبيقات، حتى تلك المزوّدة بذكاء اصطناعي مضمّن، استجلاب البيانات من الأنظمة الأخرى ومواءمتها بالسرعة الكافية، وذلك لعدم توفر إمكانات التكامل المطلوبة وتوحيد معايير البيانات ومسارات البيانات في الوقت الحقيقي.

من دون التحديث، غالبًا ما تضطر المؤسسات إلى الحفاظ على بُنى مختلطة تعمل فيها الأنظمة القديمة كأنظمة سجلات، بينما تعمل أنظمة أساسية منفصلة كأنظمة تحليل ذكي. تُدخل هذه البنية المزدوجة التعقيد والتكلفة وزمن الاستجابة، وتجعل تضمين الذكاء الاصطناعي بالكامل في عمليات سير العمل أكثر صعوبة.

وعلى النقيض، يعمل النظام الأساسي للبيانات الحديث المدعوم بالذكاء الاصطناعي على دمج البيانات المنظمة وغير المنظمة ودعم الفهرسة الدلالية وتمكين التوليد المعزز للاسترجاع (RAG) من خلال استرجاع المعلومات ذات الصلة في الوقت الحقيقي واستخدامها لربط استجابات النموذج ببيانات المؤسسة ضمن بيئة موحدة. يؤدي ذلك إلى خفض النفقات وتقليل تعقيد البنية، كما يتيح تكاملاً أعمق للذكاء الاصطناعي في أنظمة المؤسسات.

الحوكمة والتحقق والثقة

يتطلب النشر الناجح للذكاء الاصطناعي في الرعاية الصحية أكثر من مجرد القدرة التقنية؛ فهو يتطلب أيضًا حوكمة قوية ومراجعة وإشرافًا مستمرًا. يعتمد الذكاء الاصطناعي الجدير بالثقة على الإشراف البشري، مع احتفاظ المتخصصين المؤهلين بالمسؤولية عن القرارات النهائية والتحقق من التوصيات التي يقوم الذكاء الاصطناعي بإنشائها قبل اتخاذ أي إجراء بناءً عليها. يجب على المؤسسات تحديد المساءلة بوضوح ووضع ضوابط حماية عندما تكون المخرجات غير مؤكدة أو متعارضة.

الشفافية أمر ضروري أيضًا. يجب أن يتمكن الأطباء السريريون والمسؤولون من فهم الغرض من النماذج، بالإضافة إلى مدخلات بياناتها وقيودها واستخداماتها المناسبة. يتوافق ذلك مع التوقعات التنظيمية الناشئة، بما في ذلك إرشادات إدارة الغذاء والدواء الأمريكية (FDA) بشأن البرامج باعتبارها جهازًا طبيًا، ومتطلبات The Office of the National Coordinator for Health Information Technology (ONC) المتعلقة بشفافية أنظمة دعم القرار ضمن تقنيات المعلومات الصحية المعتمدة.

يجب على مؤسسات الرعاية الصحية تقييم أنظمة الذكاء الاصطناعي عبر دورة حياتها الكاملة، بما في ذلك التحقق الأولي والنشر والمراقبة المستمرة. ويشمل ذلك تقييم الأداء عبر مجموعات مختلفة من المرضى، ومراقبة انحراف النموذج بمرور الوقت والمساعدة على ضمان بقاء المخرجات ملائمة سريريًا مع تطور عمليات سير العمل.

المسار إلى الأمام

إذا فشل الذكاء الاصطناعي في مجال الرعاية الصحية في تحقيق التحول على مستوى النظام الذي يتوقعه كثيرون، فلن يكون ذلك لأن التقنية غير قادرة، بل لأن المؤسسات لا تدرك الأهمية الحقيقية لما يلزم لتفعيل هذه الإمكانية القوية بفعالية على مستوى العمليات. يعتمد النجاح على تجاوز الحلول المجزأة والإضافية نحو ذكاء مؤسسي واسع النطاق ومُدمج بعمق، مدعوم ببيانات موحّدة وبنية حديثة وحوكمة صارمة. يجب دمج الذكاء الاصطناعي في عمليات سير العمل السريري والتشغيلي الفعلي، وأن يستند إلى بيانات عالية الجودة وغنية بالسياق، وأن يتماشى مع واقع تقديم الرعاية الصحية.

بالنسبة لقادة مجال الرعاية الصحية، فإن الطريق إلى الأمام واضح ولكنه يتطلب الكثير. يتطلب ذلك الاستثمار ليس فقط في نماذج الذكاء الاصطناعي، بل أيضًا في الأنظمة الأساسية للبيانات والتوافق وأطر عمل الحوكمة التي تتيح لتلك النماذج العمل بأمان وفعالية على نطاق واسع. كما يتطلب الحفاظ على الإشراف البشري وضمان الشفافية وبناء الثقة بين الأطباء السريريين والمسؤولين. ستكون المؤسسات التي تتعامل مع الذكاء الاصطناعي باعتباره قدرة إستراتيجية، وليس أداة مستقلة، في أفضل وضع يمكّنها من إطلاق كامل إمكاناته لتحسين النتائج الصحية وفعالية مقدمي الرعاية وتجربة المرضى.

Seema Verma هي نائبة الرئيس التنفيذي والمديرة العامة لـ Oracle Health وعلوم الحياة.

• مخطط إستراتيجي للابتكار في الصحة الرقمية

  أثبتت حلول الصحة الرقمية التي تضيف الذكاء الاصطناعي إلى البُنى القديمة عدم كفايتها. تعرّف على نهج Oracle القائم على الذكاء الاصطناعي أولاً في هذا التحليل من مؤسسة IDC.

  تنزيل الورقة البيضاء

• أحداث Oracle Health وعلوم الحياة الافتراضية

  استمع إلى خبراء متخصصين وعملاء Oracle، وشاهد عروضًا توضيحية مباشرة، وشارك في جلسات الأسئلة والأجوبة.

  التسجيل لحضور حدث