Hierarchical Spatio-Temporal Transformer for Coherent Emergency Department Forecasting
تقدم الورقة البحثية HierSTT، وهو إطار عمل هرمي قائم على تقنية Transformer يتنبأ بشكل مشترك بالطلب على أقسام الطوارئ على المستويات المستشفائية والإقليمية والوطنية لضمان تماسك التنبؤ، مما أظهر تحسينات ملحوظة في الدقة مقارنة بالطرق غير الهرمية وطرق التوفيق الحالية باستخدام مجموعة بيانات برتغالية جديدة على مستوى البلاد.
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 تحاول التنبؤ بالطقس. إذا نظرت فقط إلى درجة الحرارة في فنائك الخلفي، فقد تخمن أنها ستمطر غداً. ولكن إذا نظرت أيضاً إلى أنماط الطقس عبر البلاد بأكملها، فستدرك أن جبهة عاصفة ضخمة تتحرك، مما يعني أن فناءك الخلفي سيتبلل، وكذلك البلدة المجاورة لك. في عالم علم البيانات، هذا هو الفرق بين النظر إلى نقطة بيانات واحدة بمعزل عن غيرها، وبين فهم كيف تتناسب جميع النقاط مع بعضها البعض في عائلة كبيرة مترابطة. تعيش هذه الورقة البحثية في زاوية من العلم تسمى "التنبؤ بالسلاسل الزمنية"، وهي ببساطة فن استخدام الأرقام الماضية لتخمين ما سيحدث لاحقاً. وهي تبني على فكرتين كبيرتين: "السلاسل الزمنية الهرمية"، وهي مجرد طريقة منمقة للقول بأن البيانات منظمة في مستويات (مثل متجر واحد، مدينة كاملة، والبلد بأكمله)، و"المحولات" (Transformers)، وهي عقول حاسوبية ذكية جداً صُممت في الأصل لقراءة اللغة ولكنها أصبحت الآن بارعة في رصد الأنماط في الأرقام. لماذا نهتم؟ لأنه إذا أخطأنا في هذه التنبؤات، فقد تفتقر المستشفيات إلى الأسرة أو الطاقم الطبي، مما يترك الناس ينتظرون طويلاً للحصول على المساعدة. إن ضبط الرياضيات بشكل صحيح يعني توفير الوقت، والمال، وربما حتى إنقاذ الأرواح.
دعنا نتحدث الآن عن المشكلة التي يعالجها المؤلفون، فيليبا لينو وفريقها. أقسام الطوارئ (EDs) تشبه الباب الأمامي للمستشفى، وهي دائماً مزدحمة. التنبؤ بعدد الأشخاص الذين سيمرون عبر ذلك الباب هو كابوس لأن الأمر يعتمد على أشياء كثيرة: يوم الأسبوع، الطقس، موسم الإنفلونزا، وحتى ما إذا كان فريق رياضي محلي قد فاز بمباراة كبيرة. عادةً، تحاول المستشفيات التنبؤ بأيام ذروة العمل الخاصة بها، ويحاول مديرو الصحة الإقليميون التنبؤ باحتياجات منطقتهم بأكملها، والقادة الوطنيون يحاولون تخمين إجمالي احتياجات البلاد. لكن العلة هنا هي: أنهم غالباً ما يفعلون ذلك بشكل منفصل. الأمر يشبه محاولة عائلتك التخطيط لحفلة عشاء حيث يخمن كل فرد كمية الطعام التي يحتاجها بشكل فردي، ثم تحاول الأم جمع كل ذلك. النتيجة؟ فوضى عارمة حيث لا يتطابق إجمالي كمية الطعام مع مجموع ما اعتقد كل فرد أنه يحتاجه. يطلق المؤلفون على هذا "التنبؤ غير المتسق".
ولإصلاح ذلك، ابتكر الفريق نموذجاً حاسوبياً جديداً يسمى HierSTT (المحول المكاني الزماني الهرمي). فكر في HierSTT كمنظم وجبات عشاء عائلي فائق التنظيم. بدلاً من ترك الجميع يخمنون بمعزل عن بعضهم البعض، يعمل هذا النموذج كرب أسرة حكيم ينظر إلى الصورة الكبيرة أولاً. يبدأ بالتنبؤ بالطلب على مستوى البلاد بأكملها ("المستوى الوطني"). ثم يستخدم تلك الصورة الكبيرة لتوجيه التنبؤات للمناطق الخمس الكبرى ("المستوى الإقليمي"). وأخيراً، يستخدم الخطط الإقليمية للمساعدة في التنبؤ باحتياجات كل مستشفى من المستشفيات الـ 81. إنه نهج "من الأعلى إلى الأسفل" حيث يهمس التنبؤ الكبير بالتعليمات إلى التنبؤات الأصغر، مما يضمن أنه إذا قال النموذج الوطني إن 10,000 شخص سيزورون المستشفيات، فإن مجموع تنبؤات جميع المستشفيات سيساوي بالفعل 10,000.
بُني النموذج مثل سباق تتابع عالي التقنية. في الأعلى، يستخدم "محول الدمج الزمني" لفهم الاتجاهات الوطنية، مع مراعاة أمور مثل العطلات ومعدلات الوفيات. ثم يسلم الشعلة إلى "المحولات المكانية الزمانية" للمناطق والمستشفيات. هذه النماذج ذات المستوى الأدنى مميزة لأنها تستطيع التحدث مع بعضها البعض؛ فهي تعرف أنه إذا كان المستشفى (أ) مزدحماً، فقد يكون المستشفى (ب) القريب منه مزدحماً أيضاً. كما أنها تستخدم "خسارة مدركة للاتساق" خاصة أثناء تدريبها. تخيل معلماً يصحح واجب الرياضيات لطالب ليس فقط بناءً على ما إذا كانت الإجابة النهائية صحيحة، بل أيضاً على ما إذا كانت الخطوات منطقية وتؤدي إليها بشكل صحيح. إذا لم تكن تنبؤات المستشفيات تتوافق مع الإجمالي الإقليمي، يتلقى النموذج "عقوبة" ويتعلم كيفية إصلاح ذلك.
اختبر الفريق هذا النموذج على مجموعة بيانات حقيقية من البرتغال، تغطي 81 مستشفى في 5 مناطق من يناير 2021 إلى أبريل 2024. وقارنوا نموذجهم الجديد بالطرق التقليدية (مثل المتوسطات البسيطة) وغيرها من نماذج الذكاء الاصطناعي المتطورة التي لا تتواصل مع بعضها البعض. كانت النتائج مبهرة. لقد قلل HierSTT متوسط خطأ التنبؤ بنحو 32% مقارنة بأفضل نموذج تعلم عميق غير هرمي. لم يكتفِ النموذج بالحصول على الأرقام الصحيحة فحسب، بل حافظ أيضاً على اتساق الحسابات العائلية. بينما قد تكون النماذج الأخرى جيدة جداً في تخمين الإجمالي الوطني ولكنها سيئة جداً في تخمين المستشفيات الفردية (أو العكس)، كان HierSTT متسقاً وجيداً في كل شيء. لقد أثبت أنه من خلال تعليم الذكاء الاصطناعي احترام التسلسل الهرمي العائلي والروابط بين المستويات المختلفة، ستحصل على صورة أوضح وأكثر موثوقية لما سيحدث لاحقاً. يشير المؤلفون إلى أن هذا النهج يمثل خطوة كبيرة للأمام، موضحين أننا لسنا مضطرين للاختيار بين الدقة والاتساق؛ بل يمكننا الحصول على كليهما.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.