Nationwide EHR-Based Chronic Rhinosinusitis Prediction Using Demographic-Stratified Models

ملخص تقني: التنبؤ بالتهاب الأنف والجيوب الأنفية المزمن باستخدام نماذج تعتمد على السجلات الصحية الإلكترونية ومصنفة ديموغرافياً

بيان المشكلة
يعد التهاب الأنف والجيوب الأنفية المزمن (CRS) اضطراباً التهابياً متبايناً يصيب ما يقرب من 11-12% من سكان الولايات المتحدة، مما يفرض عبئاً مرضياً ومالياً كبيراً. ويشكل التحديد المبكر تحدياً لأن الأعراض تتداخل مع حالات شائعة مثل التهاب الأنف التحسسي، كما أن التشخيص الرسمي يتطلب عادةً أدلة موضوعية من منظار الأنف أو الأشعة المقطبية (CT)، والتي لا تتوفر دائماً في مراكز الرعاية الأولية. وقد اعتمدت الدراسات التنبؤية السابقة على مجموعات بيانات من مؤسسة واحدة، مما حد من إمكانية تعميم النتائج على مستوى السكان، أو استخدمت وسائط تتطلب موارد مكثفة مثل التسلسل الجيني والتصوير الطبي. علاوة على ذلك، غالباً ما تفشل نهج تعلم الآلة الحالية في مراعاة التباين الديموغرافي الواضح في الأنماط الظاهرية لالتهاب الأنف والجيوب الأنفية المزمن، مثل التحولات المرتبطة بالعمر والاختلافات النوعية بين الجنسين في عرض المرض.

المنهجية
قام المؤلفون بتطوير إطار عمل تنبؤي باستخدام بيانات السجلات الصحية الإلكترونية (EHR) الطولية على مستوى البلاد من برنامج "All of Us" التابع للمعاهد الوطنية للصحة (NIH)، والموحدة وفق نموذج البيانات المشترك (OMDP). وتتكون المنهجية من ثلاثة مكونات أساسية:

1. معالجة البيانات وبناء المجموعة:

• تعريف الهدف: تم تحديد حالات التهاب الأنف والجيوب الأنفية المزمن باستخدام استراتيجية تحديد النمط الظاهري القائمة على القواعد، والتي تتطلب وجود رمزي تشخيصي واحد على الأقل خلال فترة عامين. وتم اختيار مجموعات الضبط (Controls) باستخدام مطابقة درجة الميل (Propensity-score matching) بناءً على العمر، والجنس، والعرق، والأصل، وتكرار الزيارات للحد من تحيز المراقبة.
• هندسة الميزات: تم تحويل سجلات المعاملات الخام إلى تمثيل ميزات قائم على الحداثة (Recency-based). فلكل متغير سريري (الحالات، الأدوقاء، الإجراءات)، تمثل قيمة الميزة عدد الأيام بين الحدث الأخير والتاريخ المرجعي. أما الأحداث التي وقعت خارج نافذة العامين أو التي لم تحدث أبداً، فقد تم تخصيص قيمة رمزية لها (999,999) للسماح للنماذج القائمة على الأشجار بتمييز البيانات المفقودة دون الحاجة إلى استكمالها (Imputation).
• الموازنة: تم استخدام استراتيجية مطابقة أقرب جار (1:1) لإنشاء مجموعة متوازنة تضم 17,560 مشاركاً (8,780 حالة و8,780 من مجموعة الضبط).

2. اختيار الميزات الهجين:
لمعالجة الندرة الشديدة والأبعاد العالية (أكثر من 110,000 رمز مرشح)، تم تنفيذ خط معالجة من مرحلتين:

• المرحلة الأولى (الفحص الأولي الإحصائي): تم ترتيب المتغيرات حسب الفرق المطلق في الانتشار بين الحالات ومجموعات الضبط ($|P_{target} - P_{control}|$). وتم الاحتفاظ بأفضل 1,100 ميزة (300 حالة، 500 إجراء، 300 دواء).
• المرحلة الثانية (الفحص الدقيق القائم على النموذج): تم تدريب مصنف XGBoost عالمي محسن على الـ 1,100 ميزة. وتم ترتيب الميزات حسب الأهمية القائمة على كسب المعلومات، واختيار أفضل 100 ميزة. وقد شكلت هذه المجموعة الفرعية 80.6% من إجمالي قيمة SHAP التراكمية، مما يضمن الحفاظ على القدرة التنبؤية مع تعزيز قابلية التفسير.

3. النمذجة المصنفة ديموغرافياً:
إدراكاً بأن الأنماط الظاهرية لالتهاب الأنف والجيوب الأنفية المزمن تختلف حسب الجنس والعمر، تم تقسيم المجموعة إلى ست شرائح متبادلة حصرياً: (ذكر/أنثى) متقاطعة مع ثلاث فئات عمرية (18-40، 40-60، +60). تم تدريب ستة نماذج XGBoost مستقلة، نموذج واحد لكل شريحة. وخضع كل نموذج لتحسين مستقل للمعلمات الفائقة باستخدام خوارزمية (Bayesian Tree-structured Parzen Estimator - TPE) عبر 100 تجربة لتعظيم المساحة تحت منحنى خصائص التشغيل المستقبلي (AUC-ROC).

المساهمات الرئيسية

• نطاق واسع على مستوى البلاد: الاستفادة من تنوع وثراء مجموعة "All of Us" للتغلب على قيود التعميم التي تواجهها دراسات المؤسسة الواحدة.
• اختيار الميزات الهجين: تقديم خط معالجة يضغط أكثر من 110,000 رمز سريري إلى 100 ميزة قابلة للتفسير، مما يوازن بين الإيجاز والأداء التنبؤي.
• التصنيف الديموغرافي: اقتراح إطار عمل للنمذجة يأخذ في الاع الاعتبار صراحةً التباين النوعي المرتبط بالعمر في الأنماط الظاهرية للمرض، من خلال تدريب ستة نماذج مخصصة بدلاً من نموذج عالمي واحد.
• القابلية للتطبيق السريري: إثبات أن بيانات السجلات الصحية الإلكترونية التي تُجمع بشكل روتيني يمكن أن تدعم تصنيف المخاطر دون الاعتماد على التصوير الإشعاعي المكلف أو البيانات الجينية.

النتائج
حقق إطار عمل XGBoost المصنف ديموغرافياً مساحة إجمالية تحت المنحنى (AUC) بلغت 0.8461. ويمثل هذا تحسناً قدره 0.0168 عن أفضل نموذج أساسي (نموذج XGBoost عالمي بـ AUC بلغ 0.8293). كما تفوق النموذج المقترح على نماذج الغابة العشوائية (Random Forest) بنسبة (0.8159)، ونماذج SVM بنسبة (0.8120)، ونماذج التعلم العميق بنسبة (0.8072).

ومن الأهمية بمكان أن النهج المصنف أدى إلى تحسين التمييز عبر جميع المجموعات الست، حيث تراوحت مكاسب AUC بين +0.0076 و +0.0278. حقق النموذج حساسية قدرها 0.6889، وهو ما يتجاوز بشكل كبير مناهج تعلم الآلة القياسية، مما يعد ميزة سريرية لضمان عدم إغفال المرضى المصابين.

كشف تحليل أهمية الميزات عن إشارات بيولوجية متميزة عبر المجموعات:

• الذكور: أعطت النماذج الأولوية للميزات الهيكلية واللحمية (مثل انحراف الحاجز الأنفي لدى الذكور الأصغر سناً، واللحميات الأنفية لدى الذكور الأكبر سناً).
• الإناث: فضلت النماذج علامات الالتهاب المخاطي والتحسس (مثل التهاب الأنف التحسسي، والربو، وعلامات العدوى لدى الإناث الأكبر سناً).

الأهمية
تزعم الورقة أن النمذجة الصريحة للتباين الديموغرافي تحقق مكاسب ملموسة في التنبؤ بمخاطر التهاب الأنف والجيوب الأنفية المزمن. ومن خلال التقاط عوامل الخطر المحددة المرتبطة بالفئات الفرعية للجنس والعمر، يوفر إطار العمل أداة أكثر دقة لتصنيف المخاطر الممثل للسكان. ويقترح المؤلفون أن هذا النهج يمكن أن يسهل عملية الفرز الأولي وتحديد أولويات الإحالة في مراكز الرعاية الأولية، خاصة عند عدم توفر التصوير التشخيصي، مما ينقل اتخاذ القرار من الانطباع الذاتي إلى التنبؤ القائم على الأدلة. ويؤكد هذا العمل على فائدة بيانات السجلات الصحية الإلكترونية الروتينية في تحديد حالات التهاب الأنف والجيوب الأنفية المحتملة قبل التقييم من قبل المتخصصين.