AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)
طورت دراسة AIRE-KIDS نموذجاً للتعلم الآلي باستخدام السجلات الطبية الإلكترونية، والبيانات البيئية، ومعلومات الأحياء لتوقع نوبات الربو الحادة لدى الأطفال بدقة، مما أظهر أداءً متفوقاً على قواعد القرار الحالية من خلال تحقيق مساحة تحت المنحنى (AUC) تبلغ 0.712 ودرجة F1 تبلغ 0.51.
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
يُعد الربو حالة شائعة لدى الأطفال، حيث يتسبب في ضيق مسالكهم الهوائية ويجعل التنفس صعباً. وبينما يدير العديد من الأطفال أعراضهم بشكل جيد في المنزل، يعاني بعضهم من نوبات شديدة تتطلب الذهاب إلى قسم الطوار〯. وحتى بعد تلقي العلاج، يعود عدد كبير من هؤلاء الأطفال خلال عام واحد لتلقي نوبة شديدة أخرى. ولا تقتصر هذه الدورة على كونها معاناة شخصية للعائلات فحسب، بل إنها تشكل عبئاً ثقيلاً على المستشفيات والنظام الصحي. وتكمن المشكلة التي تواجه الأطباء في أنه لا يمكنهم تقديم تعليم ورعاية متخصصة ومكثفة لكل طفل يزور قسم الطوارئ، نظراً لعدم كفاية الموارد. وبدلاً من ذلك، تحتاج الفرق الطبية إلى وسيلة لتحديد الأطفال بدقة الذين هم أكثر عرضة للعودة، حتى يمكن إحالتهم إلى برنامج رعاية شامل يساعد في منع الأزمات المستقبلية. ولعقود من الزمن، اعتمد الأطباء على قوائم مراجعة بسيطة وعلى تقديرهم الخاص لاتخاذ هذه القرارات، لكن هذه الأساليب غالباً ما تخفق في تحديد المرضى الأكثر عرضة للخطر أو تصنف أولئك الذين لا يحتاجون إلى مساعدة إضافية.
وفي دراسة حديثة في مستشفى الأطفال في شرق أونتاريو، سعى الباحثون إلى بناء أداة أكثر دقة لحل هذه المشكلة. لقد توجهوا إلى تعلم الآلة، وهو نوع من علوم الكمبيوتر حيث يتعلم البرنامج التعرف على الأنماط في كميات هائلة من البيانات. جمع الفريق سجلات لما يقرب من 3,000 طفل زاروا قسم الطوارئ بسبب الربو بين عامي 2017 و2019. تضمنت هذه السجلات تفاصيل حول تاريخهم الطبي، مثل الزيارات السابقة، وأعمارهم، وما إذا كان لديهم حساسية أخرى مثل الحساسية تجاه بعض الأطعمة. كما سجلت البيانات شدة نوبتهم الحالية، ومدة انتظارهم لرؤية الطبيب، وحتى العوامل البيئية مثل جودة الهواء في أحيائهم. أراد الباحثون معرفة ما إذا كان بإمكان الكمبيوتر النظر إلى كل هذه القطع المختلفة من المعلومات والتنبؤ بالأطفال الذين سيعودون إلى المستشفى خلال العام التالي.
ولاختبار فكرتهم، قام الفريق بتدريب عدة أنواع مختلفة من نماذج الكمبيوتر. تضمنت هذه النماذج ثلاثة توجهات جديدة تعتمد على النماذج اللغوية الكبيرة، وهي نفس الأنظمة القوية للذكاء الاصطناعي المستخدمة غالباً في كتابة النصوص أو الإجابة على الأسئلة المعقدة. كما اختبروا أيضاً النماذج التقليدية القائمة على الأشجار، والتي تعمل من خلال اتخاذ سلسلة من القرارات القائمة على "نعم" أو "لا" بناءً على البيانات، بشكل يشبه الطريقة التي يزن بها الطبيب أعراضاً مختلفة. وقسم الباحثون بياناتهم إلى مجموعتين: مجموعة واحدة لتعليم النماذج، ومجموعة ثانية منفصلة لاختبار مدى أداء النماذج على مرضى جدد لم يسبق رؤيتهم. وقارنوا تنبؤات الكمبيوتر مقابل القاعدة الحالية للمستشفى، والتي تطلق تنبيهاً للمرضى المعرضين لخطر عالٍ بناءً على معايير محددة، مثل وجود زيارة سابقة ودرجة شدة عالية عند الفرز الطبي.
أظهرت النتائج أن النماذج التقليدية القائمة على الأشجار كانت متفوقة بمراحل على النماذج اللغوية الجديدة لهذه المهمة المحددة. وقد نجح النموذج الأفضل أداءً، والذي أطلق عليه الباحثون اسم AIRE-KIDS، في تحديد الأطفال المعرضين لخطر العودة إلى قسم الطوارئ أو دخول المستشفى. وعند اختباره على مجموعة من الأطفال من عامي 2022 و2023، أثبت هذا النموذج أنه أكثر دقة بشكل ملحوظ من قاعدة المستشفى الحالية. وبينما حددت القاعدة الحالية حوالي ثلث الأطفال الذين سيعودون بشكل صحيح، نجح النموذج الجديد في تحديد أكثر من النصف. وقد تعلم الكمبيوتر أن أقوى الأدلة على العودة المستقبلية لم تكن مجرد شدة النوبة الحالية، بل شملت أيضاً تاريخ زيارات الطفل السابقة، وعمره، وما إذا كان يعاني من حساسية الطعام، ومدى تعقيد احتياجاته الطبية الشاملة. ومن المثير للدهشة أن العوامل البيئية مثل تلوث الهواء، والتي كان الباحثون يأملون أن تكون مؤشراً رئيسياً، لم تحسن دقة النموذج بشكل كبير، وتم استبعادها من النسخة النهائية للحفاظ على بساطة الأداة وسهولة استخدامها.
كما وجدت الدراسة أن أنظمة الذكاء الاصطناعي الأحدث والأكثر تعقيداً، والمعروفة بالنماذج اللغوية الكبيرة، لم تؤدِ بشكل جيد مثل النماذج المتخصصة والأبسط. ورغم شعبية هذه الأنظمة المتقدمة في مجالات أخرى، إلا أنها واجهت صعوبة في إيجال الأنماط الصحيحة في هذه البيانات الطبية المحددة. وخلص الباحثون إلى أنه بالنسبة للتنبؤ بنتائج الربو لدى الأطفال، فإن النموذج المركز والقابل للتفسير أكثر فعالية من النموذج الواسع وعام الأغراض. يستخدم النموذج النهائي مجموعة صغيرة ومقدور عليها من الحقائق المتاحة بسهولة في السجلات الإلكترونية للمستشفى في اللحظة التي يدخل فيها الطفل. وهذا يعني أنه يمكن دمج هذه الأداة مباشرة في سير العمل داخل قسم الطوارض، مما ينبه الأطباء لإحالة الأطفال الأكثر عرضة للخطر إلى الرعاية المتخصصة فوراً. ومن خلال القيام بذلك، يأمل المستشفى في كسر دورة الزيارات المتكررة، وضمان حصول الأطفال الذين يحتاجون إلى أكبر قدر من المساعدة على تلك الرعاية، مع استخدام الموارد المحدودة بكفاءة أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.