🤖 machine learning

Joint Treatment Effect Estimation from Incomplete Healthcare Data: Temporal Causal Normalizing Flows with LLM-driven Evolutionary MNAR Imputation

تقترح هذه الورقة مساراً مبتكراً ذا مرحلتين يجمع بين التدفقات التنميطية المقيدة بالرسم البيالبياني الموجه غير الدوري (DAG) للاستدلال التوقعي الدقيق، وبين مُكمّل تطوري مدفوع بنماذج لغوية كبيرة (LLM) للتعامل مع المعدلات العالية للبيانات المفقودة بشكل غير عشوائي، مما يتيح تقديراً متيناً مشتركاً لأثر العلاج من السجلات الصحية الإلكترونية الطولية غير المكتملة.

المؤلفون الأصليون: Olivia Jullian Parra, Sara Zoccheddu, David Catalan Cerezo, Tom Forzy, Franziska Ulrich, William Sutcliffe, Jakob Martin Burgstaller, Oliver Senn, Patrick Owen, Nicola Serra

نُشر 2026-05-07

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Olivia Jullian Parra, Sara Zoccheddu, David Catalan Cerezo, Tom Forzy, Franziska Ulrich, William Sutcliffe, Jakob Martin Burgstaller, Oliver Senn, Patrick Owen, Nicola Serra

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 أنك محقق يحاول اكتشاف أي من دواءين جديدين يعمل بشكل أفضل لخفض الوزن لدى الأشخاص المصابين بمرض السكري من النوع الثاني. في عالم مثالي، ستجري "تجربة عشوائية محكومة" (RCT)، حيث تقلب عملة معدنية لتحدد من يحصل على أي دواء. هذا يلغي كل التخمينات.

لكن في العالم الحقيقي، لا يمكننا دائماً قلب العملات المعدنية. علينا النظر في السجلات الصحية الإلكترونية (EHRs) — وهي الملفات الرقمية التي يحتفظ بها الأطباء. هذه السجلات فوضوية. إنها تشبه مكتبة حيث:

الكتب مفقودة: الأطباء لا يسجلون كل قياس (مثل ضغط الدم) لكل مريض، خاصة إذا بدا المريض بخير. هذا يسمى "البيانات المفقودة لسبب غير عشوائي" (MNAR) — أي أن البيانات مفقودة بسبب حالة المريض الصحية، وليس لمجرد الصدفة.
القصة معقدة: المرضى يتغيرون بمرور الوقت. قد يصف الطبيب دواءً ما لأن وزن المريض ارتفع الشهر الماضي. هذا يخلق شبكة متشابكة من السبب والنتيجة يصعب فك تشابكها.

تقدم هذه الورقة أداة استقصائية من خطوتين، تسمى CausalFlow-T، لحل هذه الفوضى والإجابة على السؤال: "أي دواء يتسبب فعلياً في فقدان الوزن؟"

الخطوة 1: "المُكمّل" المسافر عبر الزمن (إصلاح الصفحات المفقودة)

أولاً، كان على الفريق إصلاح الصفحات المفقودة في المكتبة الطبية. الطرق القياسية لملء البيانات المفقودة تشبه تخمين الكلمة التالية في جملة بناءً على الكلمة الس السابقة فقط. وغالباً ما تفشل عندما تكون البيانات مفقودة لسبب محدد (مثل تخطي الطبيب لاختبار لأن المريض مريض جداً).

استخدم المؤلفون نموذج لغة كبيراً (LLM) — وهو نفس نوع الذكاء الاصطناي الذي يكتب الشعر أو الأكواد البرمجية — لكنهم لم يكتفوا بطلب "التخمين" منه. بدلاً من ذلك، عاملوا الذكاء الاصطناعي كـ محرر مبدع في لعبة "تطور".

التشبيه: تخيل أن لديك آلة معطلة. تطلب من الذكاء الاصطناعي كتابة جزء جديد لإصلاحها.
- يكتب الذكاء الاصطناعي قطعة من الكود (مُكمّل مرشح).
- تقوم باختباره على جزء صغير ومخفي من البيانات لمعرفة مدى جودة أدائه.
- إذا كان أفضل من النسخة السابقة، فإنك تحتفظ به. إذا لم يكن كذلك، فإنك تستبعده.
- ثم ينظر الذكاء الاصطناعي إلى ما فعله للتو، ويتعلم من أخطائه، ويحاول كتابة جزء أفضل.
النتيجة: خلقت هذه العملية "التطورية" أداة فائقة الذكاء يمكنها ملء البيانات الطبية المفقودة (مثل ضغط الدم أو الكوليسترول) بدقة عالية، حتى عندما كانت 80% من البيانات مفقودة. والأهم من ذلك، أنها لم تكتفِ بملء الأرقام؛ بل حافظت على العلاقات بينها (على سبيل المثال، ضمان أنه إذا ارتفع ضغط الدم، فإن خطر الإصابة بمشاكل القلب يرتفع أيضاً، تماماً كما يحدث في الواقع).

الخطوة 2: "آلة الزمن السببية" (التدفق)

بمجرد اكتمال البيانات، احتاجوا إلى معرفة السبب والنتيجة. العديد من نماذج الذكاء الاصطناي بارعة في التنبؤ بـ "ماذا سيحدث بعد ذلك"، لكنها سيئة جداً في الإجابة على سؤال "ماذا كان سيحدث لو فعلنا شيئاً مختلفاً؟".

بنى المؤلفون CausalFlow-T، والذي يعمل مثل آلة زمن سببية.

التشبيه: تخيل نهراً يتدفق نحو المصب.
- الذكاء الاصطناي القياسي: يكتفي بمراقبة تدفق المياه ويتنبأ بالتموج التالي. إنه لا يفهم لماذا تتحرك المياه بهذا الشكل.
- CausalFlow-T: لديه خريطة لمجرى النهر (رسم بياني موجه غير حلقي - DAG) رسمها خبراء طبيون. هو يعرف بالضبط أي الصخور (المتغيرات المربكة) تسبب دوامات المياه.
- السحر: نظرًا لأنه يستخدم "التدفق الطبيعي" (خدعة رياضية قابلة للعكس تماماً)، يمكنه تشغيل النهر للخلف ليرى بالضبط من أين جاءت المياه، ثم إيقاف النهر مؤقتاً، وتغيير الصخور (محاكاة علاج مختلف)، ثم تشغيله للأمام مرة أخرى ليرى المسار الجديد بالضبط.
لماذا هذا مهم: تحاول الطرق الأخرى تخمين الإجابة باستخدام تقريبات (مثل صورة ضبابية). أما CausalFlow-T فيلتقط "صورة مثالية" (استدلال دقيق). توضح الورقة أنه بدون الخريطة الخبيرة (DAG) والكاميرا المثالية (الاستدلال الدقيق)، سيخطئ الذكاء الاصطاي في الإجابة، وقد يتنبأ أحياناً بأن دواءً مفيداً هو دواء ضار.

الاختبار في العالم الحقيقي

اختبر الفريق هذا المسار المكون من خطوتين على بيانات حقيقية من عيادات الرعاية الأولية في سويسرا شملت أكثر من 6,000 بالغ مصاب بالسكري من النوع الثاني. قارنوا بين فئتين شهيرتين من الأدوية: منشطات مستقبلات GLP-1 (مثل أوزيمبيك) و مثبطات SGLT-2.

وعلى الرغم من أن البيانات كانت ناقصة وفوضوية، إلا أن أداتهم حسبت أن المرضى الذين تناولوا أدوية GLP-1 فقدوا، في المتوسط، 0.98 كجم (حوالي 2.1 رطل) أكثر من أولئك الذين تناولوا مثبطات SGLT-2 بعد عام واحد.

"لحظة الإدراك!": تطابقت هذه النتيجة بشكل شبه مثالي مع تجربة سريرية شهيرة وعالية التكلفة ومعيارية (تجربة SUSTAIN 8) والتي تمت تحت ظروف محكومة بعناية. أثبت هذا أن أداة "البيانات الفوضوية" الخاصة بهم يمكنها العثور على نفس الحقيقة التي توفرها التجربة المثالية.

ملخص ادعاءات الورقة

المشكلة: البيانات الطبية في العالم الحقيقي تفتقر إلى الكثير من المعلومات، والأجزاء المفقودة ليست عشوائية. تفشل أدوات الذكاء الاصطناي القياسية في فك تشابك علاقات السبب والنتيجة المعقدة في هذه البيانات الفوضوية.
الحل: مسار مكون من مرحلتين.
- المرحلة 1: ذكاء اصطناي "يتطور" لملء البيانات المفقودة مع الحفاظ على العلاقات البيولوجية سليمة.
- المرحلة 2: "آلة زمن سببية" (CausalFlow-T) تستخدم خريطة خبيرة لمحاكاة ما سيحدث إذا تناول المريض دواءً مختلفاً، دون ارتكاب أخطاء رياضية.
الاكتشاف: وجدوا أنك بحاجة إلى كل من الخريطة الخبيرة (DAG) والرياضيات المثالية (الاستدلال الدقيق). إذا كنت تملك أحدهما دون الآخر، فإن الأداة ستفشل بصمت.
الإثبات: عند تطبيقها على مرضى السكري الحقيقيين، وجدت الأداة فرقاً في فقدان الوزن يتطابق مع نتائج تجربة سريرية مثالية، مما يثبت قدرتها على استخراج إجابات موثوقة من السجلات الحقيقية غير الكاملة.

الورقة لا تدعي أن هذه الأداة يجب أن تحل محل الأطباء أو أنها تعمل لكل الأمراض. إنها توضح تحديداً أن هذه الطريقة تعمل لتقدير آثار العلاج في مرض السكري من النوع الثاني باستخدام بيانات الرعاية الأولية السويسرية، مما يظهر أنه يمكننا الحصول على إجابات موثوقة من السجلات الحقيقية الفوضوية إذا استخدمنا الأدوات الرياضية الصحيحة.

ملخص تقني: التقدير المشترك لآثار العلاج من البيانات الصحية غير المكتملة

بيان المشكلة

يتناول المقال التحدي الحرج المتمثل في تقدير الآثار السببية للعلاج من السجلات الصحية الإلكترونية (EHRs) الملاحظاتية عندما يجتمع عائقان متراكمان: المتغيرات المربكة المتغيرة زمنياً (time-varying confounding) والقيم المفقودة التي لا تتبع نظام العشوائية (Missing-Not-At-Random - MNAR).

غالباً ما تفشل الطرق القياسية لمحاكاة التجارب المستهدفة (Target Trial Emulation - TTE) في بيئات السجلات الصحية الإلكترونية الواقعية للأسباب التالية:

المتغيرات المربكة المتغيرة زمنياً: تُدفع القرارات العلاجية بملفات تعريف المرضى المتطورة، مما يخلق تبعيات معقدة تتعامل معها الطرق الحالية فقط تحت افتراضات بارامترية مقيدة أو دون بنية سببية صريحة.
القيم المفقودة بنظام MNAR: تظهر فجوات كبيرة في المؤشرات الحيوية في السجلات الصحية الإلكترونية بمعدلات فقدان تتراوح بين 50% إلى 80%. هذه الفجوات مدفوعة بالقرارات السريرية (على سبيل المثال، يتم طلب الاختبارات فقط إذا كان هناك اشتباه في حالة معينة)، مما يعني أن احتمالية فقدان البيانات تعتمد على القيمة غير المرصودة نفسها.
التحيز المركب: استراتيجيات الإسناد (Imputation) القياسية (مثل MICE أو MissForest) تفترض عادةً أن البيانات مفقودة بشكل عشوائي (MAR) وتُختبر على معدلات فقدان منخفضة. وعند تطبيقها على بيانات MNAR ذات المعدلات العالية، فإنها تشوه هياكل الارتباط بين المؤشرات الحيوية والنتائج، مما يؤدي إلى تقديرات سببية متحيزة.

غالباً ما تتعامل النهج الحالية مع الإسناد والاستدلال السببي كمرحلتين منفصلتين، أو تعتمد على تقريبات تباينية/تنافسية (variational/adversarial approximations) تؤدي إلى أخطاء صامتة في تقدير القيم المضادة للواقع (counterfactual estimation).

المنهجية

يقترح المؤلفون مساراً ذا مرحلتين مصمماً للتعامل بشكل مشترك مع القيم المفقودة بنظام MNAR والبنى السببية عبر الزمن.

المرحلة الأولى: الإسناد التطوري المدفوع بالنماذج اللغوية الكبيرة (LLM-Driven Evolutionary Imputation)

لمعالجة بيانات المدخلات ذات الفجوات، قدم المؤلفون إطار بحث تطوري حيث يعمل النموذج اللغوي الكبير (LLM) كعامل طفرة (mutation operator) لتوليد استراتيجيات الإسناد.

الآلية: بدلاً من قيام النموذج اللغوي بملء القيم المفقودة مباشرة، فإنه يقترح وحدات برمجية (imputers) مرشحة $g^{(k)}$ .
درجة الوكيل ذاتية الإشراف (Self-supervised Proxy Score): يتم تقييم جودة كل مرشح على مجموعة اختبار وسيطة (بيانات مرصودة محجوبة) باستخدام درجة مركبة $s(g)$ :
$s(g) = \text{RMSE}(g) + \lambda_Y \Delta_Y(g) + \lambda_T \Delta_T(g)$
تعاقب هذه الدرجة خطأ إعادة البناء النقطي (RMSE) وبالأخص، تشوه ارتباطات المتغيرات المستقلة بالنتائج ( $\Delta_Y$ ) وارتباطات المتغيرات المستقلة بالعلاج ( $\Delta_T$ ). وهذا يضمن أن البيانات المسندة تحافظ على البنية السببية المطلوبة للتقدير اللاحق.
الحلقة التطورية: بدءاً من مسند (imputer) بذرة أولية، يقترح النموذج اللغوي تكرارات بناءً على أفضل مرشح حالي وملخص لسجل البحث، مع قبول تلك التي تحسن درجة الوكيل بشكل صارم فقط.
الأنظمة الخلفية (Backends): تم تقييم الطريقة باستخدام ثلاثة أنظمة خلفية للنماذج اللغوية الكبيرة: GPT-5.4، وGPT-OSS-120b، وQwen3.5-Plus.

المرحلة الثانية: CausalFlow-T (الاستدلال الدقيق للقيم المضادة للواقع)

يتم تغذية البيانات المكتملة $\hat{D}$ في نموذج CausalFlow-T، وهو نموذج مبتكر للاستدلال الدقيق للقيم المضادة للواقع.

البنية: يجمع بين التدفق التلقائي المقنع السببي (Causal Masked Autoregressive Flow - CausalMAF) ومشفر الذاكرة الطويلة قصيرة المدى (LSTM).
قيود الرسم البياني الموجه غير الدوري (DAG Constraints): يتم تقييد التدفق بواسطة رسم بياني (DAG) محدد من قبل الخبراء. يتبع الترتيب التلقائي للمتغيرات بدقة الترتيب الطوبولوجي للرسم البياني. يضمن هذا أن التدخلات (عمليات do-operations) تنتشر فقط عبر الأحفاد السببيين، مما يمنع التسرب العكسي للسببية (anti-causal leakage).
الاستدلال الدقيق: على عكس نماذج التشفير التلقائي التبايني (CVAE) أو نماذج GAN التي تحسن حداً أدنى (ELBO) أو أهدافاً تنافسية، يقوم CausalFlow-T بزيادة الاحتمالية اللوغاريتمية الدقيقة (exact log-likelihood).
إجراء القيم المضادة للواقع: يطبق إجراء بيرل (Pearl) المكون من ثلاث خطوات: الاستنباط (Abduction) - الفعل (Action) - التنبؤ (Prediction):
1. الاستنباط: عكس التدفق بدقة لاستعادة الضوضاء الخارجية $z_t$ لمريض معين.
2. الفعل: التدخل في متغير العلاج ( $A \leftarrow a'$ ) مع الحفاظ على $z_t$ ثابتاً.
3. التنبؤ: نشر التدخل عبر التدفق المقيد بالرسم البياني (DAG) لتوليد النتيجة المضادة للواقع.
  هذا يضمن استخدام نفس الضوضاء الخاصة بالمريض لكل من الذراع الواقعي والمضاد للواقع، وهي خاصية لا تستطيع الطرق التباينية توفيرها.

المساهمات الرئيسية

CausalFlow-T: تدفق طبيعي مقيد بالرسم البياني (DAG-constrained normalizing flow) يتيح استدلالاً دقيقاً وعكسياً للقيم المضادة للواقع للبيانات الطولية. أثبت المؤلفون أنه النموذج الوحيد الذي يستوفي خمس معايير موثوقية في آن واحد (معايرة المجموعات الفرعية، حفظ تباين الذيل، إعادة بناء الذراع، استعادة نسبة المخاطر، والاستقرار).
تحديد أوضاع الفشل غير المتداخلة: من خلال دراسات الاستبعاد (ablation studies)، كشف المقال عن وضعين متميزين للفشل في الاستدلال السببي:
- انفصال الإرباك (Separation of Conforming): يتطلب بنية سببية صريحة (قيود DAG). النماذج التي تفتقر إلى قيود DAG تحتفظ بتحيزات منهجية حتى مع وجود خطأ واقعي منخفض.
- الانتشار الهيكلي (Structural Propagation): يتطلب استدلالاً دقيقاً. تفشل الطرق التباينية (حتى مع وجود DAGs صحيحة) في استعادة آثار العلاج الحقيقية تحت مسارات الوساطة المعقدة بسبب فجوات التقريب (انهيار اللاحقة - Posterior Collapse).
الإسناد التطوري المدفوع بالنماذج اللغوية الكبيرة: استراتيجية إسناد مبتكرة تتفوق على الطرق الإحصائية القياسية (LOCF, MissForest) في الحفاظ على هياكل الارتباط السببي تحت معدلات فقدان تتراوح بين 30% و80%.
إطار تقييم مشترك: يشير المقال إلى أن دقة إعادة البناء النقطي ودقة الموثوقية السببية ليسا هدفين متوافقين. وقد قدم إطار تقييم ثنائي المستويات (جودة المؤشر الحيوي + الجودة السببية اللاحقة) للكشف عن المقايضات غير المرئية في المقاييس القياسية.

النتائج

الاختبارات المعيارية الاصطناعية وشبه الاصطناعية

أداء CausalFlow-T: في أربعة مجموعات بيانات اصطناعية (بما في ذلك معيار مخاطر أمراض القلب والأوعية الدموية المعقد المكون من 17 عقدة) ومجموعة بيانات شبه اصطناعية قائمة على FIRE، كان CausalFlow-T هو النموذج الوحيد الذي اجتاز جميع معايير الموثوقية.
- عانى المنافسون مثل GNN-CVAE وCVAE من "انهيار اللاحقة" (التنبؤ بآثار صفرية حيث توجد آثار حقيقية) أو انهيار التباين.
- فشلت نماذج TARNet والتدفقات غير المقيدة في استعادة نسب المخاطر الصحيحة أو عكس اتجاهات العلاج.
أداء الإسناد: حقق المسند المدفوع بالنماذج اللغوية الكبيرة (خاصة GPT-5.4) أفضل تصنيف مجمع عبر مقاييس المؤشرات الحيوية والسببية.
- حافظ على أدنى مستويات MAE وRMSE النقطي عبر معدلات فقدان 30%، 50%، و80%.
- والأهم من ذلك، كان الاستراتيجية الوحيدة التي حافظت على استعادة متوسط أثر العلاج (ATE)، بينما تدهورت الطرق الإحصائية (MissForest, CausalCFM) تدريجياً مع زيادة معدلات الفقدان.
- سلطت الدراسة الضوء على مقايضة: بينما قد تحافظ CausalCFM على الارتباطات بشكل أفضل عند معدلات الفقدان المنخفضة، إلا أن النماذج اللغبية الكبيرة هي التي سيطرت في حالات الفقدان العالية والتنبؤ الزمني.

التطبيق في العالم الحقيقي

تم تطبيق المسار على مجموعة مكونة من 6,114 بالغاً يعانون من مرض السكري من النوع الثاني في الرعاية الأولية بسويسرا (قاعدة بيانات FIRE) لتقدير أثر بدء استخدام محفزات مستقبلات GLP-1 مقارنة بـ مثبطات SGLT-2 على وزن الجسم بعد عام واحد.

النتيجة: قدر المسار فرق فقدان الوزن لكل بروتوكول بـ −0.98 كجم [فاصل ثقة 95% −1.01، −0.96]، لصالح محفزات GLP-1RAs.
التحقق: هذه التقديرات تتوافق مع تجربة SUSTAIN-8 العشوائية المحكومة (RCT)، والتي سجلت فرقاً قدره −1.06 كجم، رغم أن البيانات الواقعية أظهرت فقداناً بنسبة >50% بنظام MNAR ووجود عوامل دوائية مختلطة.

الأهمية والادعاءات

يزعم المقال أن معالجة البنى السببية وقيم MNAR المفقودة بشكل مشترك هو أمر ضروري وممكن للتقدير العملي لآثار العلاج من البيانات الملاحظاتية.

ما وراء التجارب العشوائية (RCTs): يوضح العمل أن المسارات القائمة على تعلم الآلة يمكن أن توسع الأدلة السببية لتتجاوز المجموعات والظروف المقيدة للتجارب العشوائية لتشمل البيئات السريرية الواقعية حيث يصعب إجراء مثل هذه الدراسات.
الموثوقية فوق الدقة: يجادل المؤلفون بأن خطأ التنبؤ الواقعي المنخفض (MAE) ليس كافياً للاستدلال السببي. يجب أن تستوفي النماذج معايير هيكلية (حفظ التباين، انتشار الوساطة الصحيح) لتكون موثوقة.
الربط بين الإسناد والسببية: تشير الدراسة إلى أن قرارات الإسناد لها تأثيرات قابلة للقياس مباشرة على الصلاحية السببية، مما يتطلب مقاييس تقييم مشتركة بدلاً من معاملة الإسناد كمهمة إعادة بناء بحتة.
القيود المتواضعة: يقر المؤلفون بوجود قيود، بما في ذلك الاعتماد على رسوم بيانية (DAGs) يحددها الخبراء (أظهرت تحليلات الحساسية أن التحيز يزديد مع المسافة عن المسارات الفريدة)، واستخدام الاسترخاء المستمر لنتائج البقاء الثنائية (مما يؤثر على المعايرة)، وافتراض التبادلية الشرطية. ويشيرون إلى أن العمل المستقبلي يجب أن يبحث في بنيات التدفق المنفصلة وتحسين الرسم البياني (DAG) آلياً.

باختصار، يقدم المقال إطاراً قوياً ذا مرحلتين يجسّر الفجوة بين بيانات السجلات الصحية الإلكترونية غير المكتملة والفوضوية وبين الاستدلال السببي الصارم، وهو إطار تم التحقق من صحته من خلال كل من الحقائق الاصطناعية والاتساق مع أدلة التجارب العشوائية المحكومة الراسخة.