💬 NLP

Equitable Electronic Health Record Prediction with FAME: Fairness-Aware Multimodal Embedding

تقدم هذه الورقة FAME، وهو إطار عمل للتمثيل متعدد الوسائط مراعٍ للعدالة، يعمل على تحسين كل من أداء التنبؤ والإنصاف في مهام السجلات الصحية الإلكترونية من خلال وزن الوسائط صراحةً بناءً على مساهماتها في العدالة واستخدام طريقة تجميع غير مقيدة بالإشارة لموازنة نتائج المجموعات الفرعية.

المؤلفون الأصليون: Nikkie Hooman, Zhongjie Wu, Eric C. Larson, Mehak Gupta

نُشر 2026-03-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Nikkie Hooman, Zhongjie Wu, Eric C. Larson, Mehak Gupta

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل خزانة ملفات رقمية في مستشفى، تُعرف باسم السجل الصحي الإلكتروني (EHR). هذه الخزانة مليئة بأنواع مختلفة من المعلومات حول المريض:

"الأرقام" (البيانات المهيكلة): نتائج المختبر، العمر، ضغط الدم، ورموز التأمين.
"القصص" (البيانات غير المهيكلة): ملاحظات الأطباء المكتوبة بخط اليد، ملاحظات الممرضين، وتقارير الأشعة.
"الخلفية" (البيانات الديموغرافية): العرق، الجنس، والعمر.

لسنوات، كانت برامج الكمبيوتر (الذكاء الاصطناعي) التي تحاول التنبؤ بنتائج المرضى (مثل "هل سيعيش هذا المريض؟") تعتمد في الغالب على النظر إلى شيء واحد فقط من هذه الأشياء. فبعضها كان ينظر فقط إلى الأرقام؛ والبعض الآخر كان يقرأ القصص فقط.

المشكلة:
عندما تحاول برامج الذكاء الاصطناعي هذه النظر في كل شيء في وقت واحد، فإنها غالباً ما تنجح في الحسابات الرياضية لكنها تخطئ في الأخلاقيات. فقد تصبح جيدة جداً في التنبؤ بمن سيمرض، لكنها تتعلم عن غير قصد معاملة المرضى بشكل مختلف بناءً على عرقهم أو نوع تأمينهم. الأمر يشبه القاضي الذي يصدر أحكاماً أقسى على أشخاص من حي معين، حتى لو كانت الجريمة هي نفسها. هذا هو التحيز.

الحل: FAME
قام مؤلفو هذه الورقة البحثية بابتكار نظام جديد يسمى FAME (التضمين متعدد الوسائط الواعي بالعدالة). فكر في FAME كأنه قائد فريق ذكي للغاية ومنصف يدير مجموعة من ثلاثة خبراء:

الإحصائي: يقرأ الأرقام.
الراوي: يقرأ ملاحظات الأطباء.
الديموغرافي: يعرف خلفية المريض.

كيف يعمل FAME (التشبيه)

في الماضي، عندما كان هؤلاء الخبراء الثلاثة يقدمون آراءهم لقائد الفريق، كان القائد يأخذ ببساطة متوسط أصواتهم. "حسناً، الإحصائي يقول 50%، والراوي يقول 50%، إذن النتيجة النهائية هي 50%".

FAME يغير القواعد. فهو يطرح سؤالاً حاسماً قبل اتخاذ القرار: "من هو غير عادل؟"

"درجة العدالة" (EDDI): يقوم FAME بفحص الفريق باستمرار. يسأل: "هل يرتكب الراوي أخطاءً أكثر مع المرضى السود؟ هل يرتكب الإحصائي أخطاءً أكثر مع كبار السن؟" إنه يعطي كل خبير درجة عدالة.
"مقبض التحكم في الصوت": إذا كان الراوي غير عادل تجاه مجموعة معينة، يقوم FAME بخفض مستوى صوته. وإذا كان الإحصائي عادلاً، يقوم FAME برفع مستوى صوته.
"فلتر الميكروفون": يقوم FAME أيضاً بالنظر في كلمات محددة أو أرقام محددة داخل الملاحظات. إذا كانت هناك كلمة معينة في ملاحظة الطبيب ترتبط عادةً بالتحيز، يقوم FAME بكتم تلك الكلمة المحددة مع إبقاء بقية الجملة واضحة ومسموعة.

السر وراء "تجاهل الإشارة" (Sign-Agnostic)

تذكر الورقة مصطلحاً معقداً وهو "التجميع المتجاهل للإشارة" (sign-agnostic aggregation). إليك طريقة بسيطة للتفكير في ذلك:

تخيل أنك تحكم في مسابقة.

المتسابق (أ) يرتكب خطأً يساعد المجموعة (X) ولكنه يضر المجموعة (Y).
المتسابق (ب) يرتكب خطأً يضر المجموعة (X) ولكنه يساعد المجموعة (Y).

إذا قمت بجمع الأخطاء فقط، فقد تلغي بعضها البعض، مما يجعله يبدو وكأن المتسابق "عادل". لكنه ليس كذلك! هو فقط يتأرجح بين الطرفين.

FAME لا يسمح للأخطاء بأن تلغي بعضها البعض. إنه ينظر إلى حجم الأخطاء بغض النظر عن اتجاهها. إنه يضمن عدم ترك أي شخص خلف الركب، سواء كان التحيز "مرتفعاً جداً" أو "منخفضاً جداً".

ماذا حدث عندما اختبروه؟

اختبر الباحثون FAME على بيانات حقيقية من المستشفى للتنبؤ بثلاثة أشياء:

هل سيموت المريض في وحدة العناية المركزة؟
هل سيبقى في المستشفى لأكثر من 7 أيام؟
هل سيحتاج إلى جهاز تنفس اصطناعي (Ventilator)؟

النتائج:

دقة أفضل: كان FAME في الواقع أفضل في التنبؤ بالنتائج من الطرق القديمة. فمن خلال الاستماع إلى كل من الأرقام والقصص، حصل على صورة كاملة أكثر.
أكثر عدلاً بكثير: الأهم من ذلك، جعل FAME التنبؤات دقيقة بالتساوي للجميع، بغض النظر عن عرقهم أو عمرهم أو تأمينهم. لقد قلل من "فجوة عدم العدالة" بين المجموعات المختلفة بشكل أكبر بكثير من أي طريقة أخرى جربوها.

الخلاصة الكبرى

تعلمنا هذه الورقة درساً قيماً حول الذكاء الاصطناعي في الرعاية الصحية: ليس عليك الاختيار بين أن تكون ذكياً وأن تكون عادلاً.

في الواقع، من خلال كونك متعمداً في تحقيق العدالة — عبر الاستماع بنشاط إلى مصادر البيانات التي تسبب التحيز وخفض صوتها — يمكنك في الواقع بناء نظام يكون أذكى للجميع. الأمر يشبه ضبط الراديو: عندما تتوقف عن التشويش (التحيز)، تصبح الموسيقى (التنبؤات الدقيقة) أوضح بكثير.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "التنبؤ العادل بالسجلات الصحية الإلكترونية باستخدام FAME: التضمين متعدد الوسائط الواعي بالعدالة."

1. بيان المشكلة

تحتوي السجلات الصحية الإلكترونية (EHRs) على نماذج بيانات متنوعة، بما في ذلك البيانات المهيكلة (مثل القيم المختبرية، العلامات الحيوية، والرموز الطبية)، والنصوص غير المهيكلة (مثل الملاحظات السريرية)، والمعلومات الديموغرافية. وبينما ظهرت نماذج الذكاء الاصطناعي متعدد الوسائط (MAI) لدمج أنواع البيانات هذه لتحسين اتخاذ القرار السريري، إلا أنها غالبًا ما تعمل على تحسين الأداء التنبئي فقط. وهذا التحسين غالبًا ما يعزز التحيزات القائمة عبر المجموعات الفرعية للمرضى المحددة بسمات حساسة مثل العرق، أو الإثنية، أو العمر، أو حالة التأمين.

غالبًا ما تطبق تقنيات تخفيف التحيز الحالية تقنيات إزالة التحيز بعد دمج الوسائط أو تعامل مع جميع مصادر البيانات بالتساوي، مما يؤدي إلى الفشل في الاستفادة من المساهمات الفريدة لكل وسيط في تحقيق العدالة. هناك نقص في الأطر التي تزن الوسائط صراحةً بناءً على مساهمتها المحددة في العدالة أثناء عملية الدمج لتحقيق نتائج عادلة دون التضحية بالدقة.

2. المنهجية: إطار عمل FAME

يقترح المؤلفون إطار عمل FAME (التضمينات متعددة الوسائط الواعية بالعدالة)، وهو إطار يزن كل وسيط صراحةً وفقًا لمساهمته في العدالة قبل عملية الدمج. تتكون المنهجية من ثلاثة مكونات أساسية:

أ. البنية متعددة الوسائط

يستخدم النموذج نهج الدمج المشترك (Joint Fusion)، حيث يجمع بين ثلاثة وسائط محددة:

البيانات الديموغرافية ( $X_d$ ): السمات الحساسة (العمر، الإثنية، التأمين).
البيانات السريرية المهيكلة ( $X_s$ ): البيانات الرقمية/الفئوية الطولية (المختبرات، العلامات الحيوية). تتم معالجتها باستخدام BEBRT (نموذج محول للبيانات المهيكلة في السجلات الصحية الإلكترونية).
الملاحظات السريرية غير المهيكلة ( $X_n$ ): النصوص الحرة لملاحظات الأطباء. تتم معالجتها باستخدام BioClinicalBERT.

يتم تشفير كل وسيط إلى تضمينات كامنة ( $z_m$ ) عبر مشفرات أحادية الوسائط.

ب. آليات الوزن الواعية بالعدالة

يقدم FAME آليتين للوزن لضبط التضمينات:

الدمج الموزون بـ EDDI (على مستوى الوسيط):
- المقياس: يستخدم الإطار مؤشر تفاوت توزيع الخطأ (EDDI) لقياس العدالة. يقيس EDDI التفاوت في معدلات الخطأ بين المجموعات الفرعية ومجموعة البيانات الإجمالية.
- التجميع غير المرتبط بالإشارة: لمنع التفاوتات الإيجابية والسلبية من إلغاء بعضها البعض، يقترح المؤلفون طريقة تجميع غير مرتبطة بالإشارة (جذر متوسط مربع قيم EDDI للمجموعات الفرعية) لحساب درجة عدالة واحدة لكل سمة حساسة.
- الوزن الديناميكي: يتم حساب متجه بوابة ( $\hat{w}_m$ ) لكل وسيط في كل تكرار تدريبي. الوسائط ذات الـ EDDI المنخفض (العدالة العالية) تحصل على أوزان أعلى، بينما الوسائط ذات التفاوت العالي (مثل البيانات الديموغرافية) يتم خفض وزنها.
- الصيغة: يتم حساب التضمين المدمج كالتالي: $z_{fuse} = \sum \hat{w}_m \cdot (z_m \cdot W_m)$ ، حيث يتم تحديث الأوزان بناءً على تدرج فقدان EDDI.
اختيار الميزات الموزون بـ Sigmoid (على مستوى الميزة):
- امتداد حيث تتعلم طبقة تنشيط "سيجمويد" (sigmoid) التحكم في ميزات محددة داخل التضمين متعدد الوسائط المدمج. وهذا يسمح للنموذج بقمع ميزات متحيزة محددة داخل الوسيط مع الاحتفاظ بميزات أخرى.

ج. دالة الفقد (Loss Function)

يتم تحسين النموذج باستخدام دالة فقد مشتركة:
$L_{total} = L_{BCE} + \lambda \cdot L_{EDDI}$
حيث أن $L_{BCE}$ هي فقد التقاطع الثنائي (binary cross-entropy) لدقة التنبؤ، و $L_{EDDI}$ هو فقد العدالة المجمع، و $\lambda$ هو معامل (hyperparameter) يوازن المقايضة بين الأداء والعدالة.

3. المساهمات الرئيسية

إطار عمل FAME: طريقة مبتكرة لدمج وسائط السجلات الصحية الإلكترونية باستخدام التجميع الموزون بناءً على مقاييس العدالة صراحةً بدلاً من مجرد الأداء.
التجميع غير المرتبط بالإشارة: نهج رياضي لتجميع قيم EDDI عبر المجموعات الفرعية لضمان تقدير عادل للعدالة بغض النظر عن اتجاه التفاوت.
الوزن ثنائي المرحلة: دمج كل من الوزن على مستوى الوسيط (EDDI) والبوابة على مستوى الميزة (Sigmoid) لخلق تحكم دقيق في التحيز.
التحقق التجريبي: إثبات أن الاستفادة من الوسائط المتكاملة (المهيكلة + غير المهيكلة) مع خفض وزن المدخلات الديموغرافية الحساسة يؤدي إلى مقايضات أفضل بين العدالة والدقة مقارنة بالنماذج المرجعية الحالية.

4. النتائج التجريبية

تم تقييم الإطار على مجموعة بيانات MIMIC-III عبر ثلاث مهام تنبؤ ثنائية: الوفاة داخل وحدة العناية المركزة (In-ICU Mortality)، طول مدة الإقامة (LOS) $\ge$ 7 أيام، و التهوية الميكانيكية.

النماذج المرجعية (Baselines): تمت المقارنة مع التصنيف الخالي من الديموغرافيا (DfC)، وإزالة التحيز التنافسي (AdvDebias)، ونموذج المريض العادل (FPM)، و FairEHR-CLP.
مقاييس الأداء: AUROC، AUPRC، EDDI (الأقل أفضل)، و Equalized Opportunity (EO) (الأقل أفضل).

النتائج الرئيسية:

تفوق المقايضة بين العدالة والدقة: حقق FAME أفضل النتائج في كل من الدقة والعدالة عبر جميع المهام. على سبيل المثال، في مهمة "LOS $\ge$ 7"، حقق FAME قيمة AUPRC بلغت 1.00 و EDDI بنسبة 0.02%، متفوقًا بشكل كبير على النماذج المرجعية (على سبيل المثال، حقق FairEHR-CLP نسبة EDDI بلغت 3.85%).
تحليل الوسائط: تفوق نموذج BioClinicalBERT أحادي الوسيط (النص) على BEHRT (المهيكل) من حيث العدالة، ولكن نموذج FAME متعدد الوسائط تفوق على كليهما، مما يثبت أن دمج الوسائط مع وزن العدالة يلتقط إشارات متكاملة.
دراسة الاستئصال (Ablation Study): أدى إزالة وزن EDDI (باستخدام المتوسط للدمج) أو إزالة بوابة Sigmoid إلى زيادة التحيز (ارتفاع EDDI/EO)، مما يؤكد أن كلا المكونين ضروريان للوصه إلى العدالة المثلى.
تحليل الحساسية: وفر المعامل $\lambda = 0.8$ التوازن الأمثل، حيث تعلم النموذج تخصيص أوزان أعلى للبيانات السريرية المهيكلة وغير المهيكلة مع خفض وزن البيانات الديموغرافية باستمرار.

5. الأهمية والآثار المترتبة

تحول جذري في الذكاء الاصطناعي متعدد الوسائط: تتحدى هذه الورقة نهج "الوزن المتساوي" القياسي لدمج الوسائط في الرعاية الصحية. فهي تثبت أن لا جميع وسائط البيانات تساهم بالتساوي في العدالة؛ بل إن البيانات الديموغرافية غالبًا ما تقدم تحيزًا يجب قمعه بنشاط أثناء الدمج.
الأهمية السريرية: من خلال تقليل التفاوتات عبر العرق، والعمر، وحالة التأمين دون التضحية بقوة التنبؤ، يوفر FAME مسارًا لأنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي الأكثر إنصافًا.
القابلية للتفسير: توفر آلية الوزن الديناميكي رؤية حول مصادر البيانات التي تقود التنبؤات. وجدت الدراسة أن الملاحظات السريرية والبيانات المهيكلة هي منبئات قوية، بينما البيانات الديموغرافية، رغم وجودها، يجب تقليل الاعتماد عليها لضمان العدالة.
الاتجاهات المستقبلية: يقترح المؤلفون أن العمل المستقبلي يمكن أن يتضمن استخراج المحددات الاجتماعية للصحة (SDoH) غير السريرية من النصوص غير المهيكلة وتحويلها إلى تنسيقات مهيكلة، مما قد يقلل بشكل أكبر من الحاجة إلى الاعتماد على المدخلات الديموغرافية الخام.

في الختام، يمثل FAME تقدمًا في مجال الذكاء الاصطناعي للرعاية الصحية من خلال التعامل مع العدالة كعنصر أساسي في عملية الدمج متعدد الوسائط، وليس كمجرد فكرة لاحقة، مما ينتج نماذج دقيقة وعادلة للغاية.