📊 statistics

Correcting heterogeneous diagnostic bias when developing clinical prediction models using causal hidden Markov models

تقترح هذه الورقة إطار عمل لنموذج ماركوف الخفي السببي لتصحيح التحيز التشخيصي المتباين في نماذج التنبؤ السريري من خلال تقدير احتمالات التشخيص المضادة للواقع، مما يؤدي إلى تحسين المعايرة بشكل كبير وتقليل الأخطاء المنهجية في المجموعات التي تعاني من نقص في التشخيص كما هو موضح في عمليات المحاكاة ودراسة حالة لمرض الكلى المزمن.

المؤلفون الأصليون: Jose Benitez-Aurioles, Ricardo Silva, Brian McMillan, Matthew Sperrin

نُشر 2026-05-08

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jose Benitez-Aurioles, Ricardo Silva, Brian McMillan, Matthew Sperrin

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

إليك شرح للورقة البحثية باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

المشكلة الكبرى: تأثير "بقعة الضوء"

تخيل عيادة طبيب كأنها غرفة مظلمة، والمرضى هم أشخاص يتجولون فيها. بعض الأشخاص يرتدون سترات زاهية وعاكسة للضوء (الفئات عالية الخطورة، مثل المصابين بمرض السكري)، بينما يرتدي آخرون ملابس داكنة وغير عاكسة (الفئات الأقل خطورة أو الأقل خضوعاً للمراقبة).

في عالم مثالي، سيقوم الطبيب بتسليط الضوء على الجميع بالتساوي ليرى من منهم مريض. لكن في العالم الحقيقي، يميل الطبيب إلى تسليط بقعة الضوء الساطعة فقط على الأشخاص الذين يرتدون السترات العاكسة لأنهم يبدون وكأنهم بحاجة للمساعدة. أما الأشخاص الذين يرتدون الملابس الداكنة، فغالباً ما يبقون في الظلال.

النتيجة: يجد الطبيب الكثير من الأشخاص "المرضى" تحت الضوء الساطع، لكنه يغفل عن الكثير من المرضى في الظلام. وإذا حاول الطبيب بعد ذلك بناء برنامج كمبيوتر للتنبؤ بمن سيصبح مريضاً في المستقبل، سيتعلم البرنامج درساً خاطئاً: "الأشخاص الذين يرتدون ملابس داكنة أصحاء". ليس لأنهم أصحاء، بل لأنه لم ينظر إليهم أحد عن كثب لاكتشاف المرض.

هذا ما تسميه الورقة البحثية "التحيز التشخيصي المتباين" (Heterogeneous Diagnostic Bias). ويحدث هذا عندما يتم اختبار مجموعات معينة (بناءً على الجنس، أو العرق، أو الحالة الاجتماعية والاقتصادية) بشكل أقل تكراراً، مما يؤدي إلى وجود حالات مرضية "مخفية".

الحل: محاكاة "السفر عبر الزمن"

يقترح المؤلفون طريقة جديدة لإصلاح ذلك باستخدام منهجية يسمونها "نموذج ماركوف الخفي السببي" (Causal Hidden Markov Model - HMM).

فكر في صحة المريض ليس كصورة فوتوغرافية واحدة، بل كـ شريط فيلم سينمائي.

الجزء الخفي: يحتوي الفيلم على مشاهد يكون فيها المريض في الواقع في حالة تدهور صحي (مرحلة المرض "الكمونة")، لكن الكاميرا (الطبيب) لم تبدأ بالتصوير بعد. لا يمكننا رؤية هذه المشاهد في البيانات الحقيقية.
الجزء المرئي: نحن نرى فقط المشاهد التي تكون فيها الكاميرا قيد التشغيل (عند إجراء الفحص/الاختبار).

بنى المؤلفون "آلة زمن" رياضية (HMM) تنظر إلى المشاهد المرئية وتحاول تخمين ما حدث في المشاهد الخفية. تتساءل الآلة: "لو كان هذا الشخص الذي يرتدي ملابس داكنة يرتدي سترة عاكسة وتم اختباره بنفس وتيرة المجموعة عالية الخطورة، هل كنا سنكتشف مرضه في وقت أبكر؟"

كيف تعمل هذه الطريقة (خطوة بخطوة)

مشاهدة الفيلم: ينظر الكمبيوتر إلى البيانات من العالم الحقيقي (من تم اختباره، ومتى، وماذا كانت النتيجة).
ملء الفجوات: باستخدام نموذج (HMM)، يقوم الكمبيوتر بتقدير "الفيلم الخفي". فهو يخمن أن الكثير من الأشخاص الذين لم يتم اختبارهم كانوا في الواقع مرضى ولكن لم يتم تشخيصهم، تماماً مثل الأشخاص الذين بقوا في الظلال.
سيناريو "ماذا لو": يقوم الكمبيوتر بعد ذلك بإجراء محاكاة. يسأل: "ماذا لو أجبرنا الطبيب على تسليط الضوء على الجميع بالتساوي، تماماً كما يفعل مع المجموعة عالية الخطوة؟"
إعادة كتابة السيناريو: بناءً على هذه المحاكاة، ينشئ الكمبيوتر نسخة جديدة "عادلة" من البيانات. في هذه النسخة الجديدة، يتم تحديد الأشخاص الذين تم إغفالهم سابقاً كأشخاص "تم تشخيصهم"، لأن المحاكاة تقول إنهم كانوا سيُكتشفون لو كان الاختبار عادلاً.
تدريب النموذج الجديد: أخيراً، يقومون بتدريب نموذج تنبؤ جديد على هذه البيانات "العادلة". هذا النموذج الجديد لا يتعلم التحيز الموجود في العالم الحقيقي، بل يتعلم الخطر الحقيقي للمرض.

النتائج: إصلاح البوصلة المكسورة

اختبر المؤلفون هذا بطريقتين:

1. المحاكاة (التدريب العملي)
أنشأوا عالماً وهمياً يحتوي على 50,000 مريض، وكانوا يعرفون بالضبط من هو مريض ومن هو سليم.

الطريقة القديمة: نظر نموذج قياسي إلى البيانات واعتقد أن المجموعة "المحرومة من الخدمة" كانت أكثر صحة بك كثيراً مما هي عليه في الواقع. كان الأمر يشبه بوصلة تشير إلى الشمال بينما يجب أن تشير إلى الشرق.
الطالطريقة الجديدة: قامت طريقتهم (HMM) بتصحيح البوصلة. فقد أدركت أن المجموعة المحرومة كانت مريضة تماماً مثل غيرها، لكنها كانت فقط أقل خضوعاً للاختبار. انخفضت نسبة "الملاحظ مقابل المتوقع" (وهي مقي << ل دقة التنبؤ) من 1.34 (مما يعني أن النموذج كان بعيداً جداً عن الصواب) إلى 1.02 (أي دقة شبه مثالية). وحتى عندما وضعوا بعض القواعد المعقدة (مثل جعل الاختبارات غير مثالية)، ظلت الطريقة الجديدة تعمل بشكل أفضل من الطريقة القديمة.

2. الاختبار في العالم الحقيقي (مرض الكلى المزمن)
طبقوا ذلك على بيانات حقيقية من المملكة المتحدة (UK Biobank) تتعلق بمرض الكلى المزمن (CKD).

الاكتشاف: وجدوا أن الإصابة بـ السكري كانت العامل الأكبر في تحديد من يتم اختباره. فالأشخاص المصابون بالسكري يتم اختبارهم بمعدل 10 أضعاف غير المصابين به.
التحيز: بسبب هذا، قللت النماذج القياسية من تقدير المخاطر للأشخاص غير المصابين بالسكري. ظنوا أن هؤلاء الأشخاص في أمان، لكن نموذج (HMM) أظهر أنهم في الواقع معرضون لخطر مرتفع، لكن النظام قد أغفلهم فقط.
الإصلاح: عندما استخدموا طريقتهم الجديدة للتنبؤ بالمخاطر، توقف النموذج عن تجاهل مجموعة غير المصابين بالسكري. وقفزت دقة التنبؤ لهذه المجموعة من نسبة 1.55 مشوهة (التي تعني تفويت الكثير من الحالات) إلى 1.01 (دقة مثالية).

الخلاصة

تجادل الورقة البحثية بأننا لا يمكننا مجرد تجاهل "السمات المحمية" (مثل العرق أو الجنس) لإصلاح التحيز. فأحياناً، تخبرنا هذه السمات عن من يتم اختباره ومن يتم إغفاله.

من خلال استخدام محاكاة "السفر عبر الزمن" هذه، استطاع المؤلفون إنشاء نموذج يفصل بين الخطر البيولوجي الحقيقي وبين تحيز الاختبار المنهجي. الأمر يشبه تنظيف نافذة متسخة: المشهد في الخارج (صحة المريض الحقيقية) كان موجوداً دائماً، لكن الأوساخ (تحيز الاختبار) جعلت الرؤية ضبابية. لقد قامت طريقتهم بمسح النافذة لتنظيفها، مما منح الأطباء صورة أكثر وضوحاً لمن يحتاجون المساعدة حقاً.

ملخص تقني: تصحيح التحيز التشخيصي غير المتجانس باستخدام نماذج ماركوف الخفية السببية

بيان المشكلة

غالبًا ما تعاني نماذج التنبؤ السريري التي يتم تطويرها باستخدام السجلات الصحية الإلكترونية الروتينية من تحيز تشخيصي غير متجانس. في الرعاية الروتينية، يتم اختبار الأفراد الذين يُصنفون كمرتفعي الخطورة (بسبب عوامل سريرية) أو الذين ينتمون إلى مجموعات ديموغرافية محددة (مثل الجنس، أو العرق، أو الحالة الاجتماعية والاقتصادية) بشكل متكرر أكثر من غيرهم. يؤدي هذا إلى تأخير تشخيصي متباين، حيث يتم تشخيص مجموعات معينة بشكل ناقص أو في وقت متأخر عما لو كانت تخضع لظروف اختبار متساوية.

وبناءً على ذلك، تتعلم النماذج المدربة على هذه البيانات معدل التشخيص الملاحظ بدلاً من خطر المرض الحقيقي الكامن. يؤدي هذا إلى تقدير ناقص منهجي للمخاطر للمجموعات التي تعاني من نقص التشخيص، مما يسبب أخطاء في المعايرة وعدم إنصاف محتمل في اتخاذ القرار السريري. غالبًا ما تفشل النهج القياسية في معالجة ذلك لأن حالة المرض "الحقيقية" غير مرصودة للأفراد الذين لم يتم تشخيصهم، كما أن التحيز مدفوع بالتفاعل بين سمات المريض ونظام الرعاية الصحية في سلوك الاختبار.

المنهجية

يقترح المؤلفون إطار استدلال سببي يستخدم نموذج ماركوف الخفي (HMM) لتصحيح هذا التحيز. يتضمن النهج ثلاثة مكونات:

1. النمذجة السببية عبر الرسوم البيانية الموجهة غير الحلقية (DAG)

يحدد المؤلفون رسمًا بيانيًا (DAG) حيث:

$X_n$ : المتغيرات الأساسية (عوامل الخطر).
$A_n$ : سمات القابلية للملاحظة (الجنس، العرق، الأمراض المصاحبة) التي تؤثر على كل من خطر المرض واحتمالية الاختبار.
$\tilde{A}_n$ : عرض $A_n$ الذي يؤثر تحديدًا على قرار الاختبار بناءً على مرحلة المرض.
$S_{n,t}$ : مرحلة المرض الكامنة (0: لا يوجد مرض، 1: مرحلة مبكرة، 2: مرحلة متأخرة).
$R_{n,t}$ : نتائج الاختبار (سلبية، إيجابية مبكرة، إيجابية متأخرة، أو عدم إجراء اختبار).
$D_{n,t}$ : التشخيص (يحدث إذا كان الاختبار إيجابيًا).

الهدف هو تقدير المُقدّر المقابل للواقع (counterfactual estimand): وهو احتمال التشخيص $P(D_{n,T}^{\tilde{A}_n=0} = 1 | X_n, A_n)$ ، والذي يمثل الخطر إذا كان الفرد خاضعًا لمعدل الاختبار الخاص بمجموعة مرجعية (عادةً المجموعة ذات أقصر فترات التأخير التشخيصي)، مع الاحتفاظ بمسار تطور المرض وعوامل الخطر الفعلية الخاصة به.

2. صياغة نموذج ماركوف الخفي (HMM)

يتم نمذجة عملية المرض الطولية كنموذج HMM مع:

نواة الانتقال ( $Q$ ): تحدد احتمالية الانتقال بين مراحل المرض (0 $\to$ 1 $\to$ 2). وتفترض وجود مرض تقدمي حيث يكون التراجع مستحيلاً. يتم التحكم في الانتقال من "لا يوجد مرض" إلى "المرحلة المبكرة" بواسطة دالة الخطر $h(X_n, A_n, t)$ ، بينما يكون الانتقال من "المبكرة" إلى "المتأخرة" عبارة عن احتمالية ثابتة $\beta_{S=1 \to 2}$ .
احتمالات الانبعاث ( $\Gamma$ ): تحدد احتمال ملاحظة نتيجة الاختبار $R_{n,t}$ بناءً على المرحلة الكامنة $S_{n,t}$ وسمة القابلية للملاحظة $A_n$ . ومن المهم ملاحظة أن معدلات الاختبار للمرض في مراحله المبكرة ( $\beta_{S=1, A_n}^R$ ) يُسمح لها بالتباين حسب $A_n$ ، مما يلتقط التباين التشخيصي. أما معدلات الاختبار في المراحل المتأخرة، فيُفترض أنها مستقلة عن $A_n$ بسبب الأعراض الشديدة.
الحالة الأولية ( $\pi$ ): توزيع احتمالية مرحلة المرض عند خط الأساس.

يتم تقدير معاملات النموذج عبر الاحتمالية القصوى (maximum likelihood) باستخدام خوارزمية التمرير الأمامي والتحسين القائم على التدرج (L-BFGS في PyTorch)، مع تهميش الحالات الكامنة غير المرصودة.

3. استكمال المخرجات المقابلة للواقع

بمجرد ضبط نموذج HMM، تولد الطريقة مجموعة بيانات مقابلة للواقع لتدريب نموذج تنبؤ قياسي:

إعادة البناء: يقدر HMM احتمالية مسار المرض الكامن لكل فرد بناءً على تاريخ الاختبار الملاحظ لديهم.
التدخل: يتم تعديل احتمالات الانبعاث لتعكس معدل الاختبار للمجموعة المرجعية ( $\tilde{A}_n = 0$ ).
الاستكمال (Imputation): يتم حساب احتمالات التشخيص المقابلة للواقع ( $p_{n,T}^{cf}$ ). ولتجنب تضخم حدوث المرض، يطبق المؤلفون افتراض الرتابة (monotonicity assumption): إذا تم تشخيص الفرد في الواقع ( $D=1$ )، فسيظل مشخصًا في الحالة المقابلة للواقع ( $D^{cf}=1$ ). يتم فقط إعادة استكمال الأفراد غير المشخصين ( $D=0$ ) في المجموعة التي تعاني من نقص التشخيص بناءً على احتمالية التشخيص المقابلة للواقع الخاصة بهم.
إعادة المعايرة: يتم إعادة تحجيم الاحتمالات المقابلة للواقع للحالات المستكملة لضمان مطابقة إجمالي حدوث المرض المقابل للواقع مع معدل حدوث السكان المقابل للواقع المقدر.
التدريب: يتم تدريب نموذج انحدار لوجستي قياسي على هذه المجموعة المستكملة للتنبؤ بالمخرج المقابل للواقع.

المساهمات الرئيسية

إطار عمل HMM السببي: يقدم البحث تطبيقًا مبتكرًا لنماذج HMM السببية لمعالجة وتصحيح التأخير التشخيصي المتباين في الأمراض التقدمية بشكل صريح، متجاوزًا مجرد تصحيح الملصقات (labels).
القابلية للتمييز والمتانة: من خلال الدراسات المحاكاتية، يوضح المؤلفون أن معاملات HMM قابلة للتمييز وأن النهج يظل قويًا حتى عند انتهاك الافتراضات (مثل عدم كمال حساسية الاختبار أو تباين معدلات التقدم).
التطبيق في العالم الحقيقي: تم تطبيق الطريقة على مجموعة بيانات ضخمة من مشروع "UK Bioollink" للتنبؤ بحدوث مرض الكلى المزمن (CKD) خلال 5 سنوات، ونجحت في تصحيح التحيز عبر مجموعات فرعية متعددة.
العدالة المرتكزة على البيانات: يتماشى هذا النهج مع "العدالة المرتكزة على البيانات" من خلال نمذجة آليات تسجيل البيانات (سلوك الاختبار) التي تولد التحيز، بدلاً من مجرد إزالة السمات المحمية من النموذج.

النتائج

الدراسات المحاكاتية

في محاكاة شملت 50,000 مريض، تفوق النهج المقترح بشكل كبير على النماذج "الساذجة" (المدربة على البيانات الملاحظة) والنماذج "العمياء" (المدربة بدون السمات المحمية):

المعايرة: تحسنت نسبة الملاحظ:المتوقع (O:E) للمجموعة التي تعاني من نقص التشخيص من 1.34 (النموذج الساذج) إلى 1.02 (النموذج المقترح)، مما يشير إلى معايرة شبه مثالية.
المتانة: حتى عند انتهاك الافتراضات (مثل حساسية الاختبار غير الكاملة أو تباين معدلات التقدم)، حافظ النهج المقترح على معايرة أفضل من النماذج القياسية، رغم زيادة تحيز تقدير المعاملات.

دراسة حالة مرض الكلى المزمن (CKD)

باستخدام 123,460 فردًا من مجموعة بيانات UK Biobank:

التباين التشخيصي: حدد HMM أن السكري هو أقوى محرك للقابلية للملاحظة (نسبة الأرجحية: 10.36 لمعدلات الاختبار)، يليه ارتفاع ضغط الدم. ارتبط كون الشخص أنثى بانخفاض معدلات الاختبار (نسبة الأرجحية: 0.69).
تصحيح التحيز:
- توقع النموذج الساذج بشكل حاد نقص المخاطر للمرضى الذين لا يعانون من السكري (نسبة الملاحظ:المتوقع: 1.55).
- قام النموذج المستكمل بتصحيح ذلك، محققًا نسبة ملاحظ:متوقع قدرها 1.01 للمجموعة غير المصابة بالسكري، مع الحفاظ على المعايرة للمجموعة المصابة بالسكري (نسبة الملاحظ:المتوقع: 1.01).
الفائدة السريرية: أظهر تحليل منحنى القرار تحسنًا في الفائدة الصافية عبر كلتا المجموعتين، لا سيما للسكان الذين يعانون من نقص التشخيص، دون تقليل الأداء للمجموعات التي تتم مراقبتها جيدًا.
تصنيف المخاطر: زاد النموذج المصحح من تقدير المخاطر للمرضى الذين لا يعانون من السكري، مما يعكس خطرهم الحقيقي الكامن بدلاً من مجرد احتمالية انخفاض اختبارهم.

الأهمية والادعاءات

يدعي المؤلفون أن نهجهم يوفر طريقة قائمة على أسس نظرية ومثبتة تجريبيًا لتقليل التحيز وعدم الإنصاف في نماذج التنبؤ السريري دون الحاجة إلى بيانات خارجية عن حدوث المرض أو افتراضات ثابتة حول انتشار المرض.

من خلال نمذجة "العملية التشخيصية" صراحةً كمتغير كامن يتأثر بسمات المريض، تسمح الطريقة بتقدير المخاطر في ظل سيناريو مقابل للواقع يتسم بالعدالة حيث يتم توحيد معدلات الاختبار. ويؤكد المؤلفون أن هذا يؤدي إلى تصنيف أدق للمخاطر، مما يضمن عدم تجاهل المجموعات التي تعاني من نقص التشخيص بشكل منهجي في الرعاية الوقائية. ويضعون هذا العمل كخطوة نحو العدالة "المرتكزة على البيانات"، التي تعالج الأسباب الجذرية للتحيز في بيانات الرعاية السريرية الروتينية، بدلاً من مجرد التخفيف من أعراضه في النموذج النهائي.

يختتم البحث بتواضع، مشيرًا إلى أنه بينما يعتمد النهج على افتراضات محددة (مثل التقدم الماركوفي، وثبات معدلات الاختبار في المراحل المتأخرة)، فإنه يوفر إطار عمل مرن يمكن توسيعه ليشمل مسارات أمراض أكثر تعقيدًا وأنواعًا متعددة من الاختبارات في الأعمال المستقبلية.