Fracture Risk Prediction in Adults Over 50 Years Old Using DXA and EHR: Comparison of Traditional and Machine Learning Models in Two Large Cohorts
تُظهر هذه الدراسة أن نماذج تعلم الآلة ونماذج انحدار كوكس المُعاقبة التي تستفيد من بيانات السجلات الصحية الإلكترونية وبيانات قياس امتصاص المعادن في العظام (DXA) تتفوق بشكل كبير على أداة (FRAX) التقليدية في التنبؤ بمخاطر الكسور بين البالغين فوق سن الخمسين، رغم أن الأمر يتطلب مزيداً من التحقق قبل التنفيذ السريري.
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 أن جسدك مدينة صاخبة، وأن عظامك هي ناطحات السحاب التي ترفعها عالياً. مع مرور الوقت، تماماً مثل المباني القديمة، يمكن لهذه الناطحات أن تصبح ضعيفة وهشة. وعندما تصبح ضعيفة جداً، حتى الصدمة الصغيرة أو التعثر البسيط يمكن أن يؤدي إلى انهيارها. هذا ما يحدث لكبار السن عندما يصابون بـ "كسر هش". يمتلك الأطباء أداة قديمة للتنبؤ بالمباني المعرضة للخطر، تسمى FRAX. إنها تشبه تقرير الطقس القياسي الذي ينظر إلى الأساسيات: عمرك، وطولك، ووزنك، وما إذا كنت قد تعرضت لعاصفة (كسر في العظام) من قبل. وهي جيدة، لكنها تشبه قليلاً التحقق من الطقس باستخدام خريطة ورقية؛ فهي تغفل عن حركة المرور في الوقت الفعلي، ومناطق الإنشاءات، وهبات الرياح المفاجئة التي قد تحدث الآن.
في السنوات الأخيرة، بدأت المستشفيات في جمع جبال من البيانات الرقمية، مثل شبكة كاميرات المرور الكاملة لمدينة ما وسجلات الصيانة، والمخزنة فيما يسمى بالسجل الصحي الإلكتروني (EHR). تطرح هذه الورقة سؤالاً كبيراً: إذا دمجنا خريطة الطقس القديمة (FRAX) مع شبكة المرور الرقمية الضخمة والآنية هذه (EHR) وفحصاً خاصاً للعظام (DXA)، فهل يمكننا التنبؤ بكسور العظام بشكل أفضل؟ أراد الباحثون معرفة ما إذا كان بإمكان الكمبيوتر التعلم من كل هذه البيانات الإضافية لرصد علامات الخطر التي فاتتها الخريطة القديمة، وتحديداً للأشخاص فوق سن الخمسين الذين خضعوا بالفعل لفحص عظام.
قرر الفريق، بقيادة باحثين من نيويورك وإنديانا، بناء نوع جديد من "البلورة السحرية" لصحة العظام. لقد جمعوا البيانات من مجموعتين ضخمتين من الناس: مجموعة من مركز نيويورك-برسبيريان/ويل كورنيل الطبي (فريق التطوير) وأخرى من شبكة إنديانا لرعاية المرضى (فريق الاختبار). لقد نظروا في بيانات أكثر من 11,000 بالغ في نيويورك وما يقرب من 2,000 في إنديانا ممن خضعوا لفحص DXA. هذا الفحص يشبه الأشعة السينية عالية التقنية التي تقيس مدى كثافة عظامك، مما يعطيك "درجة T-score" التي تخبرك بمدى قوة ناطحات السحاب الخاصة بك مقارنة بشاب سليم.
غذى الباحثون نماذج الكمبيوتر الخاصة بهم بمزيج من المكونات. لقد أخذوا الأشياء القياسية (العمر، الجنس، التدخين، الكحول) وأضافوا إليها "الخلطة السرية" الموجودة في السجلات الرقمية: قائمة طويلة من المشكلات الصحية الأخرى (مثل السكري أو التهاب المفاصل)، وتاريخ من الأدوية التي قد تضعف العظام (مثل الستيرويدات)، وتاريخ من الكسور السابقة. كما حصلوا على درجات T-scores المحددة من تقارير DXA. ثم وضعوا نوعين من محركات التنبؤ في مواجهة بعضهما البعض. المحرك الأول كان "تقليدياً"، وهو طريقة إحصائية تسمى انحدار كوكس (Cox regression)، والتي تشبه محاسباً دقيقاً يتبع القواعد. أما الثاني فكان مجموعة من "محركات تعلم الآلة"، بما في ذلك الغابات العشوائية للبقاء (Random Survival Forests) وتعزيز التدرج (Gradient Boosting)، وهي تشبه المحققين الأذكياء جداً الذين يمكنهم رصد الأنماط والروابط الخفية التي قد تفوت البشر.
كانت النتائج مثيرة للحماس. فعندما اختبر الفريق نماذجه الجديدة مقابل أداة FRAX القديمة، كانت النماذج الجديدة أفضل بكثير في تحديد من سيعاني من كسر. في مجموعة نيويورك، نجح أفضل نموذج تقليدي (المحاسب) في ترتيب خطر الكسر بشكل صحيح بنسبة 78% تقريباً (درجة 0.779)، بينما نجحت أداة FRAX القديمة في ذلك بنسبة 65% فقط (0.653). يبدو الأمر كما لو أن النموذج الجديد استطاع رؤية الشقوق في الأساسات التي أغفلتها الخريطة القديمة تماماً.
وعندما أخذوا نموذج نيويورك واختبروه على مجموعة إنديانا (مجموعة مختلفة تماماً من الناس)، ظل صامداً بشكل جيد، حيث سجل حوالي 71%، بينما انخفضت FRAX إلى 59%. ومن المثير للاهتمام أنه بينما كان نموذج "المحاسب" التقليدي هو البطل في المجموعة الأولى، فإن محقق تعلم الآلة "تعزيز التدرج" (Gradient Boosting) قد استحوذ بالفعل على المركز الأول في المجموعة الثانية، مسجلاً 72.5%. وهذا يشير إلى أنه بينما قد تكون النماذج البسيطة القائمة على القواعد موثوقة للغاية، فإن محققي الذكاء الاصطناعي الأكثر ذكاءً قد يتمكنون من العثور على أدلة أكثر دقة عند النظر في حشود جديدة ومختلفة.
ومع ذلك، فإن المؤلفين حذرون من إعلان انتصار كامل بعد. فقد أشاروا إلى أنه على الرغم من أن هذه النماذج بارعة في ترتيب من هم أكثر عرضة للخطر، إلا أنها لم تُختبر بعد في بيئة مستشفى حقيقية حيث يستخدمها الأطباء فعلياً لاتخاذ القرارات. كما أشاروا إلى أن نماذجهم تعمل بشكل أفضل للأشخاص الذين خضعوا بالفعل لفحص DXA، لذا فهي ليست بديلاً عن فحص جميع السكان. تشير الدراسة إلى أنه من خلال استخدام السجلات الرقمية المتوفرة لدينا بالفعل في المستشفيات، يمكننا بناء أدوات أكثر حدة لحماية "ناطحات السحاب" الخاصة بنا من الانهيار، ولكننا لا نزال بحاجة إلى بذل المزيد من العمل للتأكد من أن هذه الأدوات تعمل بشكل مثالي في كل عيادة طبية قبل أن تصبح المعيار الجديد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.