تحويل Claude إلى محلل طبي شخصي يطّلع على بيانات النوم والتحاليل

يمكن تحويل Claude من روبوت دردشة عادي إلى محلل صحي شخصي، إذا رُبط بالمؤشرات الحيوية والتغذية والوزن والمستندات الطبية. وقد بنى صاحب التجربة هذه المنظومة على أساس Claude Integrations، وبيّن كيف يبدأ النموذج برصد الروابط بين النوم والنبض والنظام الغذائي وتحاليل الدم شبه الفوري.

كيف تعمل المنظومة

في مركز النظام يقع Claude، الذي يتلقى البيانات من عدة مصادر في آن واحد، لا من تطبيق واحد. فالنوم ونبض الراحة وHRV والنشاط تأتي من خاتم Oura Ring. أما التغذية فتصل عبر بوت تيليغرام FoodTrack، إذ يكفي إرسال صورة الطعام إليه للحصول على السعرات والبروتينات والدهون والكربوهيدرات (КБЖУ). ويُجلب الوزن وتركيب الجسم من ميزان Xiaomi عبر سلسلة تضم Zepp Life وApple Health وHealth2Notion. وتأتي Notion كطبقة مستقلة تُحفظ فيها التحاليل واستشارات الأطباء والأدوية والسجلات التاريخية.

بفضل ذلك لا يملك النموذج مجموعة ملاحظات متفرقة، بل خريطة رقمية موحدة لحالة الإنسان. ويستطيع Claude مقابلة الإشارات «الخام» الصادرة عن الأجهزة القابلة للارتداء بأحداث طبية أندر وأهم، مثل نتائج المختبر وتغيرات الوزن ووصفات الأدوية والملاحظات اليدوية. وهنا تكمن القيمة الأساسية: فالذكاء الاصطناعي لا يبحث عن إجابات لأسئلة منفردة فحسب، بل عن ارتباطات بين عدة تدفقات من البيانات يصعب ملاحظتها يدويًا، حتى مع الاحتفاظ بمذكرات دقيقة.

كيف جرى الربط

يمكن تجميع جزء من المنظومة بالأدوات المدمجة. فـ Notion موجود أصلًا ضمن الموصّلات القياسية في Claude، ويكفي منح صلاحية الوصول إلى الصفحات التي تحوي البيانات الطبية. أما Oura فاضطر المؤلف إلى استخدام مشروع مفتوح المصدر من GitHub، فنشره على خادمه الخاص وأضافه إلى Claude كموصّل مخصص. وبالمنطق نفسه يُربط FoodTrack: يُعيد البوت عنوان MCP فريدًا يستخدمه Claude كمصدر بيانات إضافي.

ويؤكد المؤلف بصورة خاصة دور موجّه النظام (system prompt) في Custom Instructions. فقد وصف فيه بإيجاز مهمة كل موصّل: Oura للمقاييس اللحظية، وNotion للتاريخ والمستندات، وFoodTrack للتغذية. بعد ذلك يتوقف Claude عن التخمين في مكان البحث عن الإجابة، ويتجه مباشرة إلى المصدر المناسب. تبدو طبقة التعليمات هذه تفصيلًا صغيرًا، لكنها عمليًا ترفع جودة التحليل كثيرًا وتقلّل عدد الأسئلة التوضيحية غير الضرورية.

ما الاستنتاجات التي يقدمها

أهم ما في هذه المنظومة ليس الربط بحد ذاته، بل نوع الأسئلة التي تتيح طرحها. فالمؤلف لا يطلب من النموذج نصائح مجردة من نوع «كيف أصبح أكثر صحة»، بل يستخدمه محللًا فوق مجموعة بياناته الخاصة. فعلى سبيل المثال، يستطيع Claude التحقق من ارتفاع نبض الراحة بعد النوم القصير، ومن كفاية السعرات والبروتين لحمل التدريب الحالي، ومن كيفية تغير المؤشرات الحيوية في التحاليل في ظل الأدوية والتوتر ونمط الحياة.

• العلاقة بين مدة النوم ونبض الراحة في اليوم التالي
• كفاية التغذية لحجم التمارين والتعافي
• ديناميكية الوزن وتركيب الجسم مع النشاط والنظام الغذائي
• تغيّر مؤشرات المختبر في ظل الأدوية ونمط الحياة

يحوّل هذا النهج نموذج اللغة الكبير (LLM) من مولّد توصيات عامة إلى واجهة للتاريخ الطبي الشخصي. ويورد المقال مثالًا على إجابة لا تقول «نم أكثر»، بل تحدد علاقة بعينها: في أيام قلة النوم يكون نبض الراحة في اليوم التالي أعلى بشكل ثابت. وهذا ليس سحرًا ولا تشخيصًا، بل طريقة مريحة للحصول سريعًا على فرضية من البيانات الشخصية.

«هذه ليست بديلًا عن الطبيب، بل أداة تساعد على طرح الأسئلة الصحيحة».

ماذا يعني ذلك

تبيّن هذه القصة وجهة أدوات الذكاء الاصطناعي الموجهة للمستهلك: من الدردشة العامة إلى طبقات تحليلية شخصية فوق خدمات متفرقة. فإذا امتلك المستخدم بيانات عالية الجودة ومخططًا واضحًا للوصول، يمكن أن يصبح النموذج مساعدًا مفيدًا في التحليل الذاتي والتحضير لزيارة الطبيب. لكن في المقابل يرتفع ثمن الأخطاء ومخاطر الخصوصية والتفسيرات الخاطئة، ولذلك من المنطقي التعامل مع هذه الأنظمة بوصفها رأيًا ثانيًا، لا تقريرًا طبيًا.