מודלי שפה רפואיים לא חייבים לשלוח מידע לענן. מחקר חדש מבית חולים בשנגחאי בדק מודל קוד פתוח שרץ בתוך רשת בית החולים, ומשתמש במידע מתוויות תרופות כדי לסייע לרוקחים בבדיקת מרשמי חוץ. התוצאות נראות חזקות — אבל היקף הבדיקה קטן ומבוקר מאוד.

מה בדקו

החוקרים התקינו את Qwen3-14B על שרת פנימי באמצעות Ollama. במקום מסד וקטורי מורכב, המערכת הזריקה למודל מידע מתאים מתוך מאגר מובנה של עלוני תרופות באמצעות התאמה מדויקת. שני רוקחים בדקו כל אחד 213 מרשמים, פעם ללא AI ופעם בסיוע המערכת, בעיצוב מוצלב. תקן הייחוס נקבע בהסכמה של שני רוקחים מפקחים, עם הכרעה של סגן מנהל בית המרקחת במקרה של מחלוקת.

מה נמצא

הדיוק הכולל בבדיקה המשותפת לאדם ול־AI היה 97.2% — 207 מתוך 213 מרשמים — לעומת 82.6% לרוקח ללא סיוע. הרגישות לזיהוי בעיות עלתה מ־55% ל־98%, ושיעור ההחמצות ירד מ־45% ל־2%. בסגוליות לא נמצא הבדל מובהק: 96.7% עם AI לעומת 94% ללא AI.

גם הזמן התקצר: ממוצע של 2.33 דקות למרשם ללא סיוע ל־1.12 דקות עם המערכת, ירידה של כ־52%. הוספת הידע המובנה הורידה את שיעור ההזיות של המודל מ־19.7% ל־4.7% — שיפור גדול, אך לא ביטול של טעויות.

למה ההרצה המקומית חשובה

המודל פעל בתוך רשת בית החולים, כך שנתוני המרשמים לא נשלחו לספק ענן חיצוני. זו עשויה להיות דרך מעשית יותר למוסדות שמבקשים כלי AI תוך צמצום חשיפת מידע. עם זאת, פרטיות תשתיתית אינה מבטיחה דיוק רפואי, והמחקר עדיין השאיר את הרוקח בתפקיד המפקח.

מה זה לא אומר

המחקר בדק רק שני רוקחים, 213 מרשמים ומאגר רטרוספקטיבי בבית חולים יחיד. הוא לא בחן עבודה שגרתית לאורך זמן, לא מדד טעויות תרופתיות אצל מטופלים ולא הראה ירידה באשפוזים או בנזק. גם לאחר העשרת הידע נותרו הזיות בכ־5% מהמרשמים, ולכן המערכת אינה תחליף לבקרה מקצועית.

השורה התחתונה

במבחן המצומצם הזה, מודל מקומי עם מקור ידע מוגדר עזר לרוקחים לזהות יותר בעיות ובפחות זמן. השלב הבא צריך להיות מחקר פרוספקטיבי ורב־מרכזי שיבדוק לא רק דיוק על סט מרשמים, אלא גם בטיחות, עומס עבודה ותוצאות אמיתיות למטופלים.