📊 statistics

Semi-supervised Method for Risk Prediction with Doubly Censored EHR Data

تقترح هذه الورقة إطار عمل جديد للتعلم شبه المُشرف يدمج بفعالية بين الملصقات المعيارية المحدودة والنتائج البديلة الوفيرة لتحسين دقة التنبؤ بالمخاطر في ظل الظروف الصعبة لبيانات السجلات الصحية الإلكترونية ذات الرقابة المزدوجة.

المؤلفون الأصليون: Jie Zhou, Enhao Wang, Xuan Wang

نُشر 2026-05-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jie Zhou, Enhao Wang, Xuan Wang

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 حل لغز: متى يصاب الناس فعلياً بمرض السكري من النوع الثاني؟

لديك مكتبة ضخمة من سجلات المرضى (السجلات الصحية الإلكترونية، أو EHRs) تحتوي على ملايين الأشخاص. ومع ذلك، تواجه مشكلتين رئيسيتين تجعلان حل اللغز أمراً صعباً:

مشكلة "العمى المزدوج": أنت لا تعرف دائماً التاريخ الدقيق لبداية المرض.

في بعض الأحيان، يدخل المريض إلى المستشفى وهو مريض بالفعل. أنت تعلم أنه كان مريضاً قبل وصوله، لكنك لا تعرف متى (هذا هو الرقابة من جهة اليسار - Left Censoring).
وفي أحيان أخرى، يغادر المريض النظام الصحي بينما لا يزال معافى. أنت تعلم أنه كان معافى حتى تلك اللحظة، لكنك لا تعرف ما إذا كان قد أصيب بالمرض في اليوم التالي أم بعد عشر سنوات (هذا هو الرقبة من جهة اليمين - Right Censoring).
وضع "العمى المزدوج" هذا يجعل من الصعب حساب المخاطر الحقيقية.

مشكلة "المعيار الذهبي" مقابل "القرائن":

المعيار الذهبي (البيانات المصنفة): لمعرفة الحقيقة الدقيقة، يتعين على فريق من الخبراء قراءة آلاف السجلات الورقية القديمة يدوياً. هذا الأمر بطيء للغاية، ومكلف، ومرهق. وبسبب ذلك، لا تملك سوى "الإجابة الحقيقية" لعدد ضئيل جداً من المرضى (على سبيل المثال، 1,600 شخص).
القرائن (البيانات غير المصنفة): بالنسبة لـ 113,000 مريض آخرين، ليس لديك مراجعة يدوية. بدلاً من ذلك، لديك "قرائن بديلة"، مثل تاريخ ظهور رمز معين (مثل "السكري") لأول مرة في ملفهم الحاسوبي. هذه القرائن سهلة الحصول عليها للجميع، لكنها غالباً ما تكون خاطئة أو غير دقيقة (ربما كان الرمز خطأً، أو تم إدخاله متأخراً).

الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القديمة (التعلم الخاضع للإشراف - Supervised Learning):
في السابق، كان الباحثون ينظرون فقط إلى المجموعة الصغيرة المكونة من 1,600 مريض الذين لديهم إجابات "المعيار الذهبي". كانوا يتجاهلون الـ 113,000 الآخرين لأن بياناتهم كانت "مشوشة" أو "خاطئة". هذا يشبه محاولة حل لغز جريمة قتل من خلال استجواب شاهد واحد فقط رأى الجريمة، مع تجاهل 100 شخص آخر رأوا ظلالاً ضبابية أو سمعوا ضجيجاً. استنتاجك سيكون مهتزاً وغير دقيق.

الطريقة الجديدة (التعلم شبه الخاضع للإشراف - Semi-Supervised Learning):
قام مؤلفو هذه الورقة بتطوير "أداة كشف" رياضية جديدة (مُقدِّر شبه خاضع للإشراف) تقوم بشيئين في آن واحد:

تبدأ بـ إجابات "المعيار الذهبي" من المجموعة الصغيرة للحصول على خط أساس صلب.
ثم تقوم بذكاء بـ "تعزيز" (augment) خط الأساس هذا باستخدام "القرائن" من المجموعة الضخمة المكونة من 113,000 شخص.

فكر في الأمر على هذا النحو: لديك خريطة دقيقة جداً ولكنها صغيرة لمدينة ما (البيانات المصنفة). ولديك أيضاً صورة فضائية ضخمة ولكنها ضبابية قليلاً للمدينة بأكملها (البيانات غير المصنفة مع القرائن البديلة). الطريقة الجديدة تكتشف كيفية دمج الصورة الضبابية فوق الخريطة الدقيقة لملء الفجوات، مما يجعل الخريطة النهائية أكثر وضوحاً واعتمادية دون الحاجة إلى رسم كل شارع يدوياً.

كيف يعمل الأمر (الخدعة السحرية)

تستخدم الطريقة "نموذج عمل". تخيل أن لديك تخميناً تقريبياً حول كيفية ارتباط "القرائن" بـ "الحقيقة".

الخطوة 1: تحسب المخاطر باستخدام المجموعة الصغيرة المثالية فقط.
الخطوة 2: تحسب المخاطر باستخدام المجموعة الضخمة ذات القرائن غير المثالية.
الخطوة 3: تنظر الطريقة إلى الفرق بين هاتين الحسابين. إنها تستخدم المجموعة الضخمة لـ "تصحيح" تقدير المجموعة الصغيرة. وحتى لو لم يكن تخمينك حول كيفية ارتباط القرائن بالحقيقة مثالياً، فإن الرياضيات تثبت أن هذا التصحيح لا يزال يجعل النتيجة النهائية أفضل بكثير من استخدام المجموعة الصغيرة وحدها.

لقد ابتكر المؤلفون أيضاً "أداة فائقة" تجمع بين طريقتين مختلفتين لتخمين العلاقة بين القرائن والحقيقة، مما يجعل النتيجة أقوى.

ما الذي وجدوه

اختبر الباحثون هذه الأداة بطريقتين:

المحاكاة (التجربة التدريبية): أنشأوا عالماً وهمياً من المرضى المُنشأ حاسوبياً حيث يعرفون الإجابة الحقيقية. وجدوا أن طريقتهم الجديدة كانت أكثر دقة بشكل ملحوظ من الطريقة القديمة. لقد قللت من "هامش الخطأ" (عدم اليقين) في النتائج بنسبة تتراوح بين 40% إلى 50%. وحتى عندما كانت "القرائن" غير مثالية، ظلت الطريقة تعمل بشكل جيد.
اختبار العالم الحقيقي (السكري من النوع الثاني): طبقوا ذلك على بيانات حقيقية من نظام صحي في الولايات المتحدة شملت أكثر من 115,000 مريض.

أرادوا معرفة كيف تؤثر عوامل مثل العمر، والجنس، والعرق على خطر الإصابة بالسكري.
الطريقة القديمة (باستخدام الـ 1,600 مريض الذين تمت مراجعتهم يدوياً فقط) أعطتهم إجابة، ولكن بهامش خطأ واسع.
أما الطريقة الجديدة (باستخدام جميع المرضى الـ 115,000) فقد أعطتهم إجابة أكثر حدة ودقة بكثير. على سبيل المثال، تحسنت دقة تقديرهم لتأثير العمر بنسبة تقارب 80% مقارنة بالطريقة القديمة.

الخلاصة

لا تدعي هذه الورقة أنها ستعالج مرض السكري أو تغير طريقة علاج الأطباء للمرضى اليوم. بدلاً من ذلك، هي تقدم طريقة أفضل للقيام بالعمليات الحسابية عند دراسة مخاطر الأمراض باستخدام السجلات الإلكترونية.

إنها تثبت أنه ليس عليك التخلص من كمية البيانات "غير المثالية" الهائلة لمجرد أن لديك القليل من الإجابات "المثالية". فمن خلال استخدام هذا الأسلوب شبه الخاضع للإشراف، يمكن للباحثين الحصول على نتائج أكثر دقة دون الحاجة لقضاء سنوات في قراءة السجلات الورقية يدوياً. إنها تحول الصورة "الضبابية" إلى صورة واضحة، باستخدام قوة مجموعة البيانات بأكملها بدلاً من مجرد جزء صغير منها.

ملخص تقني: طريقة التعلم شبه الموجه للتنبؤ بالمخاطر باستخدام بيانات السجلات الصحية الإلكترونية ذات الرقابة المزدوجة

بيان المشكلة
تتناول هذه الورقة التحدي المتمثل في تقدير آثار المخاطر (معاملات الانحدار) في بيانات السجلات الصحية الإلكترونية (EHR) حيث تخضع أوقات وقوع الحدث لـ رقابة مزدوجة (رقابة يسارية ويمينية معاً). في العديد من الإعدادات السريرية، قد يسبق وقت ظهور المرض الحقيقي أول زيارة مسجلة (رقابة يسارية)، أو قد يظل غير ملاحظ في نهاية فترة المتابعة (رقابة يمينية). علاوة على ذلك، فإن الحصول على أوقات الأحداث "المعيارية الذهبية" غالباً ما يتطلب مراجعات يدوية شاقة للملفات الطبية، مما يؤدي إلى سيناريو تتوفر فيه بيانات دقيقة للنتائج لمجموعة فرعية صغيرة فقط من المرضى (المجموعة المصنفة)، بينما لا تتوفر هذه البيانات للغالبية العظمى (المجموعة غير المصنفة).

وعلى الرغم من توفر نتائج بديلة (مثل الوقت حتى أول رمز تشخيصي) لكامل المجموعة، إلا أنها عرضة لخطأ التصنيف. والاعتماد فقط على المجموعة الصغيرة المصنفة يؤدي إلى تباين عالٍ، بينما استخدام البدائل غير الدقيقة مباشرة يؤدي إلى إدخال تحيز. وتعد طرق التعلم شبه الموجه (SSL) الحالية فعالة للنتائج الثنائية أو الخاضعة للرقابة اليمينية فقط، لكنها لا تستوعب تعقيدات الرقابة المزدوجة.

المنهجية
يقترح المؤلفون إطار عمل جديد للتعلم شبه الموجه (SSL) للتنبؤ بالمخاطر تحت ظروف الرقابة المزدوجة، باستخدام نموذج تحويل خطي شبه معلمي:
$h(T) = -\beta'Z + \varepsilon$
حيث $T$ هو وقت الحدث، و $Z$ هو متجه المتغيرات المساعدة، و $h$ هي دالة متزايدة غير معروفة، و $\varepsilon$ يتبع توزيعاً معروفاً.

تتضمن عملية التقدير خطوتين رئيسيتين:

التقدير الخاضع للإشراف: يتم اشتقاق مُقدِّر خاضع للإشراف ( $\hat{\beta}_{SL}$ ) باستخدام البيانات المصنفة ( $D_l$ ) فقط، عبر نهج الاحتمال الأقصى غير المعلمي الذي يستخدم خوارزمية توقع - تعظيم (EM) مع متغيرات بواسون مستقلة خاصة بكل حالة.
التعزيز: يتم تعزيز المُقدِّر الخاضع للإشراف باستخدام المعلومات من المجموعة الكبيرة غير المصنفة ( $D_u$ $D_{u}$ ) التي تحتوي على نتائج بديلة ( $T^*$ $T^{*}$ ). يفترض المؤلفون نموذج عمل للبديل $T^*$ $T^{*}$ بمعلمات $\theta = (\gamma, \alpha)$ $θ = (γ, α)$ . وقد تم اقتراح نموذجين للعمل:
- النموذج 1 (نفس الهيكل): يفترض أن $T^*$ يتبع نفس نموذج التحويل الخطي شبه المعلمي لـ $T$ (المعادلة 4).
- النموذج 2 (هيكل مرن): يفترض نموذج تحويل أكثر مرونة حيث يكون توزيع الخطأ غير معروف ومن المحتمل أن يكون مرتبطاً بالخطأ الحقيقي (المعادلة 5). يستخدم هذا النموذج دالة خسارة محدبة تجمع بين نموذج لوجستي لاحتمالية الرقابة اليسارية ونموذج كوكس للجزء الخاضع للرقابة اليمينية.

يتم بناء المُقدِّر شبه الموجه النهائي ( $\hat{\beta}_{SSL}$ ) عن طريق تعديل $\hat{\beta}_{SL}$ بمصطلح يتناسب مع الفرق بين مُقدِّر معلمة البديل $\gamma$ المستمد من البيانات المدمجة ( $\bar{\gamma}$ ) والبيانات المصنفة ( $\hat{\gamma}$ ). كما تم اقتراح مُقدِّر مدمج ( $\hat{\beta}_{SSL3}$ ) عن طريق تكديم مصطلحات التعزيز من كلا نموذجي العمل لزيادة الكفاءة.

المساهمات الرئيسية

الابتكار المنهجي: تسد الورقة فجوة في الأدبيات من خلال تطوير طرق تعلم شبه موجه (SSL) مخصصة للبيانات ذات الرقابة المزدوجة، وهو سيناريو لم تعالجه أطر SSL الحالية.
الصلاحية النظرية: يثبت المؤلفون الخصائص التقاربية للمقدرات المقترحة، مما يثبت الاتساق والتوزيع الطبيعي التقاربي. كما يوضحون أن مقدرات SSL أكثر كفاءة من المقدر الخاضع للإشراف ( $\hat{\beta}_{SL}$ ) بغض النظر عما إذا كانت نماذج العمل للبديل محددة بشكل صحيح أم لا.
كسب الكفاءة: ثبت أن المُقدِّر المدمج لا يقل كفاءة عن المقدرات القائمة على نماذج عمل مفردة.
المتانة: تم تصميم إطار العمل للتعامل مع معدل الفقد العالي في الملصقات الحقيقية (حيث يقترب معدل الفقد من 1)، مما يجعل طرق البيانات المفقودة القياسية غير قابلة للتطبيق.

النتائج

الدراسات المحاكاتية: أظهرت عمليات المحاكاة المكثفة مع أحجام عينات وتوزيعات خطأ متنوعة (بما في ذلك حالات عدم تحديد نموذج العمل بدقة) أن مقدرات SSL المقترحة تقلل بشكل كبير من الخطأ المعياري مقارنة بالطرق الخاضعة للإشراف. تراوح الكفاءة النسبية (RE) لمقدرات SSL بين 1.35 و1.52 تقريباً مقارنة بالمقدر الخاضع للإشراف. وحقق المُقدِّر المدمج ( $\hat{\beta}_{SSL3}$ ) باستمرار أعلى كفاءة.
تطبيق على بيانات حقيقية: طُبقت الطريقة على بيانات السجلات الصحية الإلكترونية من نظام صحي في الولايات المتحدة لدراسة عوامل خطر الإصابة بمرض السكري من النوع الثاني (T2D). تضمنت مجموعة البيانات 115,236 مريضاً، مع وجود 1,613 مريضاً فقط لديهم أوقات ظهور تمت مراجعتها يدوياً (مصنفة). حققت مقدرات SSL أخطاء معيارية أصغر بكثير من المقدر الخاضع للإشراف، حيث وصلت الكفاءات النسبية إلى 1.81. وأكدت النتائج أن سن التسجيل الأعلى يرتبط بتأخر ظهور مرض السكري من النوع الثاني، بينما يرتبط جنس الذكور والعرق غير الأبيض بارتفاع المخاطر.

الأهمية والادعاءات
يزعم المؤلفون أن طريقتهم توفر وسيلة منهجية لدمج الملصقات (Labels) المحددة ذات المعايير الذهبية مع البيانات البديلة واسعة النطاق تحت ظروف الرقابة المزدوجة. تكمن الأهمية الأساسية في التحسن الكبير في كفاءة التقدير، مما يقلل من الاعتماد على المراجعات اليدوية للملفات الطبية المكلفة والمجهدة. ومن خلال الاستفادة من بيانات السجلات الصحية الإلكترونية الوفيرة غير المصنفة، تجعل هذه الطريقة دراسة عوامل خطر الأمراض في البيئات الواقعية أكثر جدوى وقوة من الناحية الإحصائية. وتشير الورقة بتواضع إلى أنه بينما يعتمد كسب الكفاءة على قوة الارتباط بين البديل والنتيجة الحقيقية، فإن إطار العمل المقترح يظل متسقاً حتى في ظل عدم تحديد نموذج العمل بدقة. ويُقترح كعمل مستقبلي توسيع إطار العمل لاستيعاب الرقابة المعتمدة على المتغيرات المساعدة وآليات البيانات المفقودة عشوائياً (MAR).

الطريقة القديمة مقابل الطريقة الجديدة

كيف يعمل الأمر (الخدعة السحرية)

ما الذي وجدوه

الخلاصة

أبحاث مشابهة