كلية القبس

يُعيد الذكاء الاصطناعي تشكيل التصوير الطبي والتعليم الصحي، إلا أن طلبة التخصصات الصحية في البيئات محدودة الموارد قد لا تتاح لهم فرص كافية لتطوير الأدوات المدعومة بالذكاء الاصطناعي أو تقييمها نقدياً. توثق هذه الدراسة نموذج ISHTAR SCAN-AI ، وهو نموذج تعليمي يقوده طلبة من الصيدلة والأشعة في العراق من دون خبرة سابقة في البرمجة. اعتمد المشروع على التعلم القائم على المشاريع، والبرمجة المساعدة بالذكاء الاصطناعي التوليدي، والتقنيات مفتوحة المصدر، والإرشاد المنظم لتطوير مسار وظيفي يربط صورة الأشعة وسياق المريضة والتحليل المساعد بالنموذج والمعرفة المرضية واسترجاع الأدلة من قاعدة PubMed والمراجعة البشرية. تطور النموذج عبر أربع نسخ. واستُخدمت ثلاث عشرة صورة أشعة محلية مجهّلة لاختبار رفع الصور ومسار العمل واسترجاع الأدلة وسلوك الواجهة والاستقرار السحابي فقط، ولم تُستخدم للتدريب أو للتحقق التشخيصي. الناتج الرئيس هو إطار تعليمي قابل للتكرار ومدعوم بنموذج أولي وظيفي. لم تُقَيَّم الدقة التشخيصية أو الحساسية أو النوعية أو زمن الاستدلال أو أداء المجموعات المختلفة أو مقدار التعلم بصورة رسمية. لذلك يمثل النموذج مساراً منخفض التكلفة لبناء الثقافة المسؤولة في الذكاء الاصطناعي وقدرات الصحة الرقمية، وليس نظاماً تشخيصياً سريرياً.

الخالصة يتناول هذا المشروع مشكلةً جوهريةً في المجال الطبي بالاخص عند المرضى كبار السن و المقعدين . ويستند الحل المقترح على تسهيل تواصلهم مع المختصين و الوصول الى اقرب مكان تواجد العالج و تمكينهم من التواصل والاستفسار عن العالج من خلال الذكاء االصطناعي و اوقات اخذ الجرع بهدف تقليل حدوث اي خطا و تاخير في شكلية اخذ الدواء فيحقق المريض اقصى استفادة

سلامتك ليس مجرد تطبيق صحي، بل منظومة ذكية تعيد تعريف الرعاية الطبية. يجمع المرضى والأطباء والصيدليات والخدمات الصحية في منصة واحدة، مدعومة بالذكاء الاصطناعي لتقديم تشخيصات أولية، تنظيم السجل الطبي، حجز المواعيد، وإدارة الرحلة العلاجية من أول استشارة حتى التعافي. هدفه أن يجعل الوصول إلى الرعاية الصحية أسرع، أدق، وأكثر أمانًا، ليكون خطوة نحو مستقبل تصبح فيه الخدمات الطبية الذكية في متناول الجميع.

تطبيق سطح مكتب باسم Hybrid Cyber Risk Analyzer يكشف الرسائل والروابط ورموز QR المشبوهة، ويجمع بين محرك قواعد يفحص الكلمات المشبوهة وبنية الروابط وسمعة النطاقات، ونموذج تعلّم آلي (Naive Bayes) مدرّب على بيانات حقيقية حقق دقة 98.74%. يدمج النظام نتائج الطبقتين في مستوى خطر واحد (آمن / منخفض / متوسط / عالي) مع أسباب واضحة تُعرض للمستخدم بدل حكم نهائي غير مفسَّر. يدعم التطبيق تحليل رسالة واحدة أو دفعة ملفات، ويعمل بالكامل offline دون إنترنت.