MiGHT-EHR: A Multi-task Graph Transformer for Heterogeneous Temporal Electronic Health Records
يُعد MiGHT-EHR نموذج محول رسومي متعدد المهام ومبتكر، يوحد نمذجة الكيانات السريرية غير المتجانسة، والمسارات الزمنية للمرضى، وتبعية المهام المشتركة ضمن إطار عمل واحد لتعلم التمثيل، محققاً أداءً هو الأفضل في فئته وقابلية للتفسير السريري عبر مهام تنبؤ متعددة على مجموعات بيانات MIMIC.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول فهم قصة حياة شخص ما، ولكن بدلاً من قراءة مذكرات، تم تسليمك كومة ضخمة وفوضوية من الملاحظات اللاصقة. بعض الملاحظات تقول "زار الطبيب"، وأخرى "تناول هذا الدواء"، وبعضها "كسر ساقه". في عالم الطب، تُسمى هذه الملاحظات السجلات الصحية الإلكترونية (EHRs). لفترة طويلة، حاولت الحواسيب التعلم من هذه الملاحظات للتنبؤ بما قد يحدث لاحقاً، مثل ما إذا كان المريض سيصاب بالمرض مرة أخرى أو كم ستكون مدة بقائه في المستشفى. لكن الجزء الصعب هنا هو أن هذه الملاحظات ليست مجرد قائمة بسيطة؛ إنها شبكة متشابكة. فالمريض ليس مجرد قائمة من الأحداث، بل هو شخص لديه العديد من التفاعلات المختلفة (مثل التشخيصات، والعمليات الجراحية، والأدوية) التي تحدث بمرور الوقت. بعض الملاحظات مرتبطة لأنها حدثت في نفس اليوم، وبعضها لأنها حدثت العام الماضي، وبعضها لأنها من الناحية الإحصائية من المرجح أن تحدث معاً.
لجعل هذا الفوضى مفهومة، يستخدم العلماء أداة تسمى "الرسم البياني" (Graph). فكر في الرسم البياني كأنه خريطة مترو الأنفاق؛ المحطات هي الأشياء الطبية المختلفة (مثل "السكري" أو "النوبة القلبية")، وخطوط القطارات هي الروابط بينها. كانت بعض الخرائط القديمة تُظهر فقط ترتيب المحطات (الزمن)، بينما أظهرت خرائط أخرى فقط أي المحطات كانت قريبة من بعضها البعض (العلاقات). لكن الحياة الواقعية هي مزيج من كليهما. إذا لم يستطع الكمبيوتر رؤية الخريطة بأكملها —الزمن والعلاقات معاً— فقد يفتقد الصورة الكبيرة. وهذا هو المشكلة التي تعالجها الورقة البحثية: كيف نبني خريطة تلتقط الزمن، وأنواع الملاحظات الطبية المختلفة، والروابط الخفية بينها جميعاً في وقت واحد، حتى نتمكن من التنبؤ بالمستقبل بدقة أكبر؟
قرر الباحثون وراء هذه الورقة، MiGHT-EHR، بناء خريطة ذكية للغاية تقوم بهذا العمل تماماً. هم يسمون طريقتهم "المحول الرسومي متعدد المهام" (Multi-task Graph Transformer). دعونا نفكك ذلك. أولاً، قاموا بتحويل السجلات الطبية للمرضى إلى خريطة مترو أنفاق ضخمة وحية. في هذه الخريطة، "المحطات" ليست شيئاً واحداً فقط؛ بل هي المرضى، وزيارات المستشفى، والتشخيصات، والعمليات الجراحية، والأدوية. لقد ربطوا هذه المحطات بثلاثة أنواع من خطوط القطارات: خطوط تُظهر أي مريض ذهب إلى أي زيارة، وخطوط تُظهر ترتيب الزيارات (مثل الجدول الزمني)، وخطوط تربط المفاهيم الطبية التي تظهر معاً بشكل متكرر. لكنهم لم يكتفوا بربط الأشياء التي تظهر معاً فحسب؛ بل استخدموا خدعة رياضية خاصة تسمى "المعلومات المتبادلة النقطية المعيارية" (normalized point-wise mutual information) للتأكد من أن الروابط ذات معنى فعلي وليست مجرد نتيجة لكون شيئين شائعين يحدثان معاً بكثرة.
بمجرد بناء الخريطة، علموا الكمبيوتر كيفية قراءتها باستخدام "المحوّل" (Transformer)، وهو يشبه قارئاً شديد الانتباه يمكنه النظر إلى الخريطة بأكملها في آن واحد. هذا القارئ يولي اهتماماً خاصاً للجدول الزمني، حيث يتذكر ما حدث في زيارات المريض السابقة لفهم وضعه الحالي. والجزء الأروع هو أن هذا النموذج الحاسوبي الواحد تعلم القيام بأربعة وظائف مختلفة في نفس الوقت: التنبؤ بما إذا كان المريض سيموت، أو ما إذا كان سيُعاد إدخاله إلى المستشفى، أو مدة بقائه، أو الأدوية التي يجب وصفها له. عادةً، يتم تدريب الحواسيب على القيام بوظيفة واحدة بشكل جيد، لكن هذا النموذج تم تدريبه على الموازنة بين الوظائف الأربع، مما يضمن عدم هيمنة وظيفة واحدة على عملية التعلم.
وعندما اختبروا هذا "قارئ الخرائط" الجديد على قاعدتي بيانات ضخمتين لسجلات مرضى حقيقيين (MIMIC-III و MIMIC-IV)، فعل شيئاً مذهلاً. لقد تفوق على جميع الطرق الرائدة الأخرى في المتوسط. وكان بارعاً بشكل خاص في التنبؤ بالوفاة وإعادة الإدخال للمستشفى، وهما أمران يصعب التنبؤ بهما بدقة. كما نظر الباحثون داخل "عقل" نموذجهم لمعرفة ما تعلمه؛ ووجدوا أن النموذج قام تلقائياً بتجميع المرضى معاً بناءً على نتائجهم الصحية، وليس فقط بناءً على تشخيصاتهم. كما تعلم أن بعض المفاهيم الطبية، مثل مشاكل "الجهاز الدوري"، يمكن العثين عليها كخطوط مستقيمة وواضحة في مساحته الرياضية. وأخيراً، كانت الاحتمالات التي يعطيها النموذج "معايرة جيداً" (well-calibrated)، مما يعني أنه عندما يقول إن هناك احتمال 70% لحدوث شيء ما، فإنه يكون صحيحاً في حوالي 70% من المرات.
تشير الورقة البحثية إلى أنه من خلال معاملة السجلات الطبية كشبكة معقدة تعتمد على الزمن من علاقات مختلفة، بدلاً من مجرد قائمة بسيطة، يمكننا بناء أدوات أفضل بكثير لمساعدة الأطباء في اتخاذ القرارات. لم يكتفِ النموذج بالتخمين، بل أثبت وجهة نظره ببيانات من أكثر من 200,000 مريض في قاعدة بيانات واحدة وحدها. ورغم أنه لم يحل كل الألغاز الطبية، إلا أنه أظهر أن النظر إلى الصورة الكاملة —الزمن، والعلاقات، والأهداف المتعددة معاً— يجعل الكمبيوتر طالباً أفضل بكثير في دراسة صحة الإنسان.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.