Can-SAVE: Deploying Low-Cost and Population-Scale Cancer Screening via Survival Analysis Variables and EHR

1. بيان المشكلة

تواجه عملية فحص السرطان عقبة حرجة: الطرق التقليدية مكلفة، وتتطلب جهداً بشرياً كبيراً، ويصعب توسيع نطاقها على مستوى السكان. وعلى الرغم من أن الذكاء الاصطناعي أظهر تقدماً واعداً في اكتشاف السرطان، إلا أن معظم الأنظمة الحالية تعتمد على بيانات متخصصة (الجينات، المؤشرات الحيوية، استطلاعات نمط الحياة) أو بنى تحتية معقدة (التصوير الطبي، معالجة اللغات الطبيعية)، مما يجعلها غير عملية للنشر الواسع في أنظمة الصحة العامة محدودة الموارد.

هناك فجوة كبيرة بين التطورات النظرية للذكاء الاصطناعي والقدرة على الاستخدام السريري. فالحلول الحالية غالباً ما تفشل في الاستف mful من السجلات الصحية الإلكترونية (EHR) الروتينية بفعالية من أجل التصنيف القائم على المخاطر على مستوى السكان دون الحاجة إلى بيانات تتجاوز مقاييس الخدمات الطبية القياسية (ICD-10) وتواريخ الزيارات. التحدي يكمن في إنشاء نظام:

• فعال من حيث التكلفة: لا يتطلب أي أجهزة متخصصة أو مؤشرات حيوية.
• قابل للتوسع: قادر على معالجة ملايين المرضى.
• محايد تجاه نوع البيانات: يعمل مع بيانات السجلات الصحية الإلكترونية القياسية المتوفرة في كل عيادة تقريباً.

2. المنهجية: إطار عمل Can-SAVE

Can-SAVE هو نظام ذكاء اصطناعي خفيف الوزن مصمم لتصنيف مخاطر السرطان على مستوى السكان بناءً حصرياً على سجلات الأحداث الطبية الروتينية (أكواد التشخيص والإجراءات). يكمن الابتكار الجوهري في دمج نتائج تحليل البقاء (Survival Analysis) ضمن إطار عمل تعزيز التدرج (Gradient Boosting).

أ. صياغة المشكلة

تتم صياغة المهمة كمسألة تصنيف ثنائي مع قيود زمنية:

• المدخلات: السجل الصحي الإلكتروني للمريض ($Q_i$) الذي يحتوي على أحداث طبية مرتبة زمنياً (أكواد ICD-10، أكواد الإجراءات، التواريخ).
• الهدف: التنبؤ بما إذا كان سيحدث تشخيص للسرطان (ICD-10 C00-C97) خلال الـ 12 شهراً القادمة ($t_{pred}$ إلى $t_{pred} + 12M$).
• المهمة: تعظيم ترتيب المرضى ذوي المخاطر العالية لإعطاء الأولوية لموارد الفحص المحدودة.

ب. خط الإنتاج ثلاثي المراحل

1. هندسة الميزات (Feature Engineering):

   • توليد أكثر من 700 ميزة مرشحة من بيانات السجلات الصحية الإلكترونية الخام.
   • تشمل الفئات: الخصائص الديموغرافية والاجتماعية (العمر، الجنس)، الأنماط الزمنية (تكرار الزيارات، الموسمية)، الاستخدام السريري (نسبة التشخيصات إلى الإجراءات)، وتكرار الأحداث الطبية (العدّات لكل مجموعة ICD-10).

2. بناء ميزات البقاء (الابتكار النوعي):

   • بدلاً من استخدام بيانات السجلات الصحية الإلكترية الخام مباشرة لنمذجة البقاء، يستخرج النظام إحصائيات البقاء على مستوى السكان والمخصصة لكل مريض لتكون ميزات للمصنف النهائي.
   • على مستوى السكان: يستخدم مُقدِّرات كابلان-ماير (Kaplan-Meier) لحساب احتمالات البقاء العامة ($\hat{S}_{KM}$) واحتمالات البقاء المصنفة حسب الجنس. بالإضافة إلى ذلك، يتم حساب "تدرجات المخاطر" (التغير في احتمال البقاء بين العمر $t$ و $t+1$).
   • المخصصة للمريض: يستخدم نموذج زمن الفشل المتسارع (AFT) لتوليد مسارات بقاء خاصة بالمريض وتدرجات مخاطر بناءً على تاريخ المتغيرات الخاصة بالمريض.

3. دمج تعزيز التدرج (Gradient Boosting):

   • يتم دمج مخرجات نماذج البقاء (الاحتمالات والتدرجات) مع ميزات تعلم الآلة القياسية.
   • يتم تدريب نموذج CatBoost (آلة تعزيز التدرج) على هذه المجموعة الموسعة من الميزات للتنبؤ بـ $P(\text{Cancer} | \text{EHR})$.
   • المنطق: تعمل مخرجات البقاء كمنظمات (Regularizers) عبر تغذية النموذج بمعرفة السكان المسبقة لتحسين التعميم ومعالجة المقايضة بين الانحياز والتباين.

ج. النماذج المرجعية (Baselines)

قارن المؤلفون Can-SAVE مع 17 نموذجاً مرجعياً، شملت:

• تعلم الآلة الكلاسيكي (الانحدار اللوجستي، الغابة العشوائية، GBM).
• نماذج البقاء الصرفة (AFT، Random Survival Forest، DeepHit).
• التعلم العميق (RNNs، ونماذج Transformer مثل BERT/Longformer).
• نهج النماذج اللغوية الكبيرة (LLM) (النماذج التي تم ضبطها بدقة، النماذج القائمة على التضمين، وملخصات LLM).

3. المساهمات الرئيسية

1. بنية مبتكرة: تم إثبات أن الجمع بين متغيرات تحليل البقاء وتعزيز التدرج يتفوق بشكل كبير على نماذج البقاء المستقلة ونماذج التعلم العميق/LLM المعقدة في ترتيب مخاطر السرطان باستخدام بيانات السجلات الصحية الإلكترونية الروتينية فقط.
2. تحقق واقعي هائل: تم التحقق من صحة النظام باستخدام مجموعة بيانات تضم 2.5 مليون بالغ من خمس مناطق روسية، مما يمثل أحد أكبر التطبيقات الواقعية لتقييم مخاطر السرطان المدفوع بالذكاء الاصطناعي.
3. تجربة سريرية استباقية: أُجريت دراسة استباقية لمدة 12 شهراً تحت إشراف أطباء الأورام شملت 426,000 مريض للانتقال لما وراء التحليل الاسترجاعي وقياس التأثير السريري الفعلي.
4. القابلية للتوسع والكفاءة: ثبت أن النظام يمكنه معالجة سكان مدينة كاملة (مليون مريض) في أقل من 3 ساعات على أجهزة قياسية، دون الحاجة لجمع بيانات جديدة أو بنى تحتية متخصصة.

4. النتائج التجريبية

أ. الأداء الاسترجاعي (التجارب العددية)

• مجموعة البيانات: 175,441 مريضاً (2017–2021).
• المقياس: تم إعطاء الأولوية لمتوسط الدقة (Average Precision - AP) على حساب ROC-AUC نظراً لعدم التوازن الشديد في الفئات (السرطان نادر).
• النتائج:
  • Can-SAVE: حقق AP = 0.228 (أعلى قيمة بين جميع الطرق).
  • أفضل نموذج مرجعي (LLM مضبوط بدقة LoRA): AP = 0.193.
  • المقارنة: تفوق Can-SAVE على أفضل نموذج LLM بنسبة تقارب 18% في AP، وكان أداؤه أفضل من جميع طرق تعلم الآلة الكلاسيكية والتعلم العميق الأخرى.
  • دراسة الاستئصال (Ablation Study): أكدت أن دمج GBM مع ميزات البقاء أمر حاسم؛ حيث كان كل من GBM المستقل (AP 0.160) و AFT المستقل (AP 0.117) أضعف بكثير.

ب. الدراسة الاسترجاعية تحت إشراف أطباء الأورام

• النطاق: 1.9 مليون مريض في 5 مناطق.
• النتيجة: عند فحص أعلى 1,000 مريض معرض للخطر حددهم Can-SAVE، اكتشف النظام 41 إلى 90 حالة سرطان لكل 1,000، مقارنة بـ 9 إلى 15 لكل 1,000 باستخدام بروتوكولات الفحص التقليدية.
• الزيادة: زيادة بمقدار 4.1 إلى 10.0 أضعاف في معدل الاكتشاف مع نفس حجم الفحص.

ج. التجربة الاستباقية (التطبيق في العالم الحقيقي)

• النطاق: 426,210 مريضاً على مدار 12 شهراً.
• المقارنة: Can-SAVE (مجموعة الاختبار) مقابل الفحص القياسي الوطني (مجموعة الضبط).
• النتائج الرئيسية:
  • معدل الاكتشاف: اكتشف Can-SAVE 2,148 حالة سرطان مقابل 1,123 في مجموعة الضبط.
  • الكفاءة: زيادة بنسبة 91% في معدل اكتشاف السرطان بنفس القدرة السريرية.
  • التغطية: حدد Can-SAVE 75.4% من جميع حالات السرطان المكتشفة في المنطقة خلال العام، مقارنة بـ 39.4% للفحص التقليدي (توسع في التغطية بمقدار +36 نقطة مئوية).
  • استخدام الموارد: لم يتطلب الأمر أي مكونات أجهزة جديدة أو اختبارات مكلفة؛ حيث تغير سير العمل فقط في تحديد أولويات الدعوات واستبيان قصير للمخاطر.

د. أهمية الميزات

• كان العمر هو الميزة المهيمنة (أهمية بنسبة 20.2%).
• ساهمت مخرجات نموذج البقاء بنسبة 39.6% من إجمالي الأهمية، مما يؤكد الفرضية الأساسية بأن الإشارات المستمدة من بيانات البقاء حاسمة للترتيب.
• ساهمت أنماط الزيارات والمؤشرات السريرية (مثل خدمات المناعة، والأورام الحميدة) بشكل كبير أيضاً.

5. الأهمية والتأثير

• تحول جذري: يثبت Can-SAVE أن "الذكاء الاصطناعي العملي" الذي يستخدم بيانات السجلات الصحية الإلكترونية المنتشرة يمكن أن يتفوق على النماذج المعقدة المتعطشة للبيانات (مثل LLMs) في فحص مستوى السكان.
• سهولة الوصول: بما أن النظام يعتمد فقط على أكود ICD-10 وسجلات الزيارات، فإنه قابل للنشر في جميع أنحاء العالم في البيئات محدودة الموارد، متجاوزاً الحاجة للاختبارات الجينية أو التصوير المتخصص.
• القابلية للاستخدام السريري: تم دمج النظام بنجاح في سير عمل الصحة العامة الحالي، وأثبت أن الذكاء الاصطناعي يمكن أن يحسن معدلات الاكتشاف المبكر وينقذ الأرواح مباشرة دون تعطيل العمليات السريرية.
• القابلية للتوسع: قدرة النظام على معالجة ملايين السجلات في ساعات على خوادم قياسية تجعل منه حلاً قابلاً للتطبيق لتنفيذ السياسات الصحية على المستوى الوطني.