كيف يمكن للذكاء الاصطناعي تخفيف الأعباء الإدارية في أقسام الهندسة السريرية؟

فالمهندس السريري اليوم لا يقضي يومه بين الأجهزة وورش الصيانة فقط، بل يستهلك جانبًا معتبرًا من وقته في أعمال إدارية وتشغيلية مصاحبة للعمل الفني؛ مثل توثيق أعمال الصيانة الوقائية والتصحيحية، ومتابعة الموردين وقطع الغيار، ومراجعة العقود وعروض الأسعار، وإعداد مؤشرات الأداء، وتجهيز متطلبات الاعتماد، إلى جانب المراسلات وإعداد التقارير الفنية والإدارية.

كل هذه الأعمال ضرورية، والمشكلة ليست في وجودها، بل في مقدار الوقت الهندسي الذي تستهلكه.

فهل من المنطقي أن يقضي مهندس ذو خبرة ساعات في جمع البيانات وترتيبها وإعادة صياغتها، بينما يمكن استخدام هذا الوقت في تحليل الأعطال، وإدارة المخاطر، وتحسين الاعتمادية، واتخاذ قرارات أفضل بشأن دورة حياة الأجهزة؟

هنا تحديدًا تظهر واحدة من أكثر تطبيقات الذكاء الاصطناعي قيمة وواقعية في HTM.

ليس أن يحل محل المهندس، وإنما أن يتولى الجزء المتكرر من العمل ويعيد للمهندس وقته الهندسي.

1. من التوثيق اليدوي إلى التوثيق الذكي

خذ مثالًا بسيطًا: أمر العمل.

بعد إصلاح الجهاز، يستطيع المهندس أن يملي صوتيًا وصف المشكلة، وما وجده أثناء الفحص، والإجراء الذي اتخذه، والقطع التي استبدلها، والاختبارات التي أجراها.

يمكن للذكاء الاصطناعي تحويل ذلك إلى تقرير خدمة منظم داخل نظام إدارة الصيانة المحوسب (CMMS)، مع إبقاء المراجعة والاعتماد النهائي مسؤولية المهندس.

القيمة هنا ليست فقط في توفير عدة دقائق لكل أمر عمل. فعندما نتحدث عن قسم يتعامل مع آلاف أو عشرات الآلاف من أوامر العمل سنويًا، تتحول هذه الدقائق إلى ساعات وأيام عمل.

والأهم من ذلك أن جودة التوثيق تصبح أكثر اتساقًا، وهي نقطة شديدة الأهمية عند مراجعة تاريخ الجهاز، أو التحقيق في حادث، أو الاستعداد لجولات الاعتماد.

2. ليس كل بلاغ عطلًا

هذه حقيقة يعرفها كل من عمل ميدانيًا في الهندسة السريرية.

فجزء من البلاغات قد يكون سببه خطأ استخدام، أو ملحقًا غير متصل، أو إعدادًا غير صحيح، أو مشكلة يمكن حلها دون إرسال مهندس إلى الموقع.

يمكن لأدوات معالجة اللغة الطبيعية (NLP) تحليل البلاغ فور استلامه، وتصنيفه، وربطه بنوع الجهاز وتاريخه، وتقدير أولويته، ثم توجيه المستخدم إلى خطوات أولية معتمدة قبل تحويل البلاغ إلى الفريق الفني.

الهدف هنا ليس منع المهندس من الوصول إلى الجهاز عندما تكون هناك حاجة إليه، وإنما منع استهلاك وقته عندما لا تكون هناك حاجة إليه أصلًا.

3. من إعداد التقارير إلى فهم ما وراء الأرقام

ربما تكون هذه هي القيمة الأكبر.

تحتوي أنظمة CMMS في المؤسسات الكبيرة على كم هائل من البيانات، لكننا في كثير من الأحيان نستخدمها لإنتاج تقارير تخبرنا فقط بما حدث خلال الشهر الماضي:

• كم أمر عمل تم فتحه؟
• كم أمرًا تم إغلاقه؟
• ما نسبة إنجاز الصيانة الوقائية؟
• كم جهازًا متوقفًا؟

هذه المعلومات مهمة، لكنها تظل في نطاق التقرير الوصفي.

الذكاء الاصطناعي والتحليلات المتقدمة يمكن أن تنقلنا إلى مستوى مختلف من الأسئلة:

• ما الأجهزة التي يتزايد معدل أعطالها؟
• ما الموديلات التي تستهلك وقتًا وتكلفة أكثر من قيمتها التشغيلية؟
• أين تتكرر الأعطال نفسها؟
• هل المشكلة فنية فعلًا، أم مرتبطة بالاستخدام أو البيئة التشغيلية؟
• ما الأجهزة المرشحة لأن تصبح مشكلة خلال الأشهر القادمة؟

هنا ننتقل من مجرد معرفة ما الذي حدث إلى محاولة فهم لماذا حدث، وما الذي قد يحدث لاحقًا.

وهذا هو جوهر الإدارة الاستباقية.

4. برامج الصيانة البديلة (AEM) تصبح أكثر ديناميكية

القرار بتعديل استراتيجية الصيانة أو تكرارها يجب أن يستند إلى تاريخ الأعطال، ومستوى المخاطر، والأداء الفعلي للأجهزة، وليس إلى الانطباع.

لكن مراجعة هذه البيانات يدويًا لعدد كبير من الأجهزة والموديلات عملية مرهقة وتستهلك وقتًا كبيرًا.

يمكن للتحليل الذكي مراقبة تاريخ الأداء بصورة مستمرة، واكتشاف أي تغير في معدلات الأعطال أو مستويات المخاطر قد يستدعي إعادة تقييم استراتيجية الصيانة.

وبذلك يمكن أن يتحول برنامج الصيانة البديلة (AEM) من مراجعة دورية ثقيلة إلى عملية أكثر استمرارية واعتمادًا على البيانات، مع بقاء القرار النهائي خاضعًا للسياسات، والمتطلبات التنظيمية، والحكم الهندسي.

5. العقود والموردون وقطع الغيار

هناك أيضًا مساحة كبيرة لاستخدام الذكاء الاصطناعي في الأعمال التي تستهلك وقت الإدارة الهندسية.

يمكن للذكاء الاصطناعي المساعدة في:

• قراءة عقود الصيانة واستخراج نطاق التغطية.
• تحديد الاستثناءات وأزمنة الاستجابة والالتزامات التعاقدية.
• مقارنة الأداء الفعلي للمورد بما هو منصوص عليه في العقد.
• مقارنة عروض الأسعار.
• إعداد المسودات الأولية للمواصفات الفنية.
• تحليل استهلاك قطع الغيار وربطه بتاريخ الأعطال وأزمنة التوريد.

وفي برامج الإحلال والاستبدال، يمكن جمع مجموعة من المؤشرات في نموذج واحد، مثل:

عمر الجهاز، وتكلفة الصيانة، وتكرار الأعطال، ومستوى الاستخدام، والمخاطر السريرية، وتوفر الدعم الفني وقطع الغيار.

هذه المعلومات يمكن أن تساعد الإدارة على ترتيب أولويات الاستبدال بصورة أكثر موضوعية.

لكن كلمة "يساعد" هنا مهمة.

فالخوارزمية قد ترى جهازين متشابهين في العمر والتكلفة، بينما يعرف المهندس أن أحدهما يخدم وظيفة سريرية حرجة لا تظهر أهميتها كاملة في البيانات.

وهذا هو الفارق بين تحليل البيانات واتخاذ القرار الهندسي.

المشكلة الحقيقية ليست الذكاء الاصطناعي... بل البيانات

يمكن شراء أفضل أدوات الذكاء الاصطناعي في السوق، أو اعتماد أحدث أنظمة CMMS المدعومة بقدرات الذكاء الاصطناعي، لكن ذلك لن يحقق قيمة حقيقية إذا كانت البيانات الأساسية نفسها ضعيفة؛ كأن تكون أوامر العمل ناقصة، أو المسميات غير موحدة، أو أكواد الأعطال غير منضبطة، أو بيانات الأصول غير محدثة.

ولهذا فإن قاعدة:

Garbage In, Garbage Out

لم تفقد أهميتها في عصر الذكاء الاصطناعي، بل أصبحت أكثر أهمية من أي وقت مضى.

فالخطوة الأولى لأي قسم HTM يريد الاستفادة فعليًا من الذكاء الاصطناعي لا تبدأ بشراء أداة جديدة أو استبدال نظام إدارة الصيانة، بل تبدأ من:

جودة البيانات، وتوحيدها، وتنظيفها، وحوكمتها.

وبعد بناء قاعدة بيانات موثوقة، تصبح قدرات الذكاء الاصطناعي أكثر فاعلية في التحليل، والتنبؤ، ودعم القرار.

الذكاء الاصطناعي لن يستبدل المهندس... لكنه سيغير طبيعة عمله

هذا في رأيي هو النقاش الأكثر أهمية.

أفضل استخدام للذكاء الاصطناعي في HTM ليس أن نحاول تعليمه كيف يصبح مهندسًا سريريًا، بل أن نستخدمه فيما يجيده:

جمع البيانات، وتنظيمها، وتصنيفها، وتلخيصها، ومقارنتها، واكتشاف الأنماط داخلها.

ثم نترك للمهندس ما يفترض أن يجيده هو:

فهم السياق السريري، وتقييم المخاطر، وتشخيص المشكلات المعقدة، وتحديد الأولويات، والتواصل مع المستخدمين، واتخاذ القرار الهندسي.

وخلال السنوات القادمة، لن يكون السؤال الذي يطرحه مدير HTM فقط:

هل الجهاز يعمل؟

بل سيضاف إليه:

ماذا تخبرنا بياناته؟ لماذا يتكرر عطله؟ هل تكلفة الاحتفاظ به ما زالت مبررة؟ هل تغير نمط أدائه؟ وهل يمكن توقع المشكلة قبل حدوثها؟

وهذا في رأيي هو التحول الحقيقي.

لسنا بحاجة إلى ذكاء اصطناعي يبعد المهندس عن الجهاز أكثر.

نحن بحاجة إلى ذكاء اصطناعي يحرره من الشاشة، ويعيده إلى المكان الذي تضيف فيه خبرته أكبر قيمة: الجهاز، والمستخدم، وسلامة المريض.