Transforming Heart Disease Prediction with Advanced Machine Learning Techniques
تقيم هذه الدراسة مختلف مصنفات تعلم الآلة على مجموعتي بيانات لأمراض القلب، حيث وجدت أن آلات المتجهات الداعمة وشرائح القرار البسيطة تتفوق على الطرق الأخرى في الدقة وتقليل الخطأ، مما يبرهن على إمكانات نماذج تعلم الآلة في تعزيز التشخيص المبكر واتخاذ القرارات السريرية.
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
لا تزال أمراض القلب هي السبب الرئيسي للوفاة حول العالم، وهي تحدٍ صحي مستمر يحصد أرواحاً لا حصر لها كل عام. ويكمن المفتاح لإنقاذ المزيد من هذه الأرواح في الكشف المبكر، أي إيجاد علامات التحذير قبل وقوع الأزمة. لعقود من الزمن، اعتمد الأطباء على التاريخ المرضي والفحوصات البدنية، ولكن ظهرت أداة جديدة لمساعدتهم: تعلم الآلة. هذا فرع من فروع علوم الحاسوب حيث تتعلم البرمجيات من البيانات بدلاً من اتباع تعليمات جامدة ومكتوبة مسبقاً. فمن خلال تغذية الحاسوب بآلاف السجلات عن المرضى — أعمارهم، وضغط دمهم، ومستويات الكوليسترول لديهم، وأعراضهم — يمكن للبرمجيات العثور على أنماط خفية قد تغفل عنها العين البشرية. ثم تستخدم هذه الأنماط للتنبؤ بما إذا كان المريض الجديد معرضاً للخطر. والهدف ليس استبدال الطبيب، بل تقديم رأي ثانٍ دقيق للغاية يساعد في رصد المرض في وقت مبكر.
في دراسة حديثة، سعى باحثون من جامعة مدينة العلوم وتكنولوجيا المعلومات في باكستان إلى إيجاد أفضل طريقة لاستخدام هذه الأدوات الرقمية لأمراض القلب. وقد جمعوا مجموعتين مختلفتين من بيانات المرضى، إحداهما من أرشيف جامعة عالمية والأخرى من مجتمع عام لمشاركة البيانات. احتوت كلتا المجموعتين على سجلات صحية مفصلة لمئات الأفراد، تتبع أربعة عشر عاملاً محدداً مثل ضغط الدم أثناء الراحة، ونوع ألم الصدر الذي شعر به المريض، وسرعة ضربات قلبه أثناء ممارسة الرياضة. أراد الباحثون معرفة أي من البرامج الحاسوبية المتاحة يمكنه قراءة هذه البيانات بدقة أكبر. لقد اختبروا عشرة أنواع مختلفة من الخوارزميات، وهي في الأساس وصفات رياضية مختلفة لفرز المعلومات. تعمل بعض هذه البرامج عن طريق بناء أشجار القرار، حيث تطرح سلسلة من الأسئلة التي تُجاب بنعم أو لا للوصలు إلى نتيجة. بينما تستخدم برامج أخرى الاحتمالات لتخمين النتيجة الأكثر احتمالاً، في حين تنشئ أخرى شبكات معقدة تحاكي الطريقة التي تتصل بها الخلايا العصبية البشرية.
ولضمان موثوقية نتائجهم، لم يكتف الفريق باختبار البرامج لمرة واحدة فقط. بل استخدموا منهجية صارمة تسمى "التحقق المتبادل"، حيث قاموا بتقسيم البيانات إلى عشرة أجزاء. قاموا بتدريب الحاسوب على تسعة أجزاء واختبروه على الجزء العاشر، ثم قاموا بتدوير هذه العملية حتى تم استخدام كل قطعة من البيانات للتدريب والاختبار معاً. يمنع هذا النهج الحاسوب من مجرد حفظ الإجابات ويضمن قدرته على التعرف على الحالات الجديدة بالفعل. وبعد تشغيل هذه الاختبارات، قارن الباحثون النتائج باستخدام عدة مقايسات للنجاح؛ فقد نظروا في عدد المرات التي كان فيها الحاسوب مصيباً، وعدد المرات التي غفل فيها عن حالة مرضية، وعدد المرات التي أطلق فيها إنذاراً كاذباً. كما قاسوا متوسط حجم الأخطاء التي ارتكبها الحاسوب، بحثاً عن أصغر الأخطاء الممكنة.
كشفت الدراسة أنه لا يوجد برنامج حاسوبي واحد مثالي لكل موقف؛ إذ يعتمد الخيار الأفضل على البيانات المحددة المستخدمة. فعندما اختبر الفريق البرامج على مجموعة بيانات الجامعة، التي احتوت على 303 سجل للمرضى، برزت خوارزمية "آلة ناقلات الدعم" (Support Vector Machine) كقائد واضح. هذه الطريقة، التي تعمل من خلال إيجاد الخط الفاصل الأكثر فعالية بين الأصحاء والمرضى في مساحة متعددة الأبعاد، حددت بشكل صحيح 253 حالة من أصل 303. لقد ارتكبت أقل عدد من الأخطاء وحققت معدل دقة يقارب 83.5 بالمائة، متفوقة بذلك على منافسين أقوياء مثل أشجار القرار والشبكات العصبية. ومع ذلك، عندما انتقل الباحثون إلى مجموعة البيانات الثانية من المجتمع عبر الإنترنت، والتي ضمت 1,025 سجلاً، تغير الفائز. ففي هذه المجموعة الأكبر، كان الخوارزمية الأخرى المسماة "Simple Cart"، والتي تبني شجرة قرار مباشرة، هي الأفضل أداءً، حيث أظهرت أعلى دقة وأقل معدلات خطأ لتلك المجموعة المحددة من البيانات.
تشير هذه النتائج إلى أنه بينما يحمل تعلم الآلة وعوداً كبيرة للمساعدة في تشخيص أمراض القلب في وقت مبكر، فإنه لا توجد "رصاصة سحرية" واحدة أو خوارزمية واحدة هي الأفضل لجميع السجلات الطبية. وتخلص الدراسة إلى أن الأداة المناسبة تعتمد على الخصائص المحددة للبيانات المتاحة. وأشار الباحثون إلى أن عملهم يوفر أساساً متيناً للتحسينات المستقبلية، مشيرين إلى أن دمج نقاط القوة في الطرق المختلفة أو استخدام مجموعات بيانات أحدث وأكثر تفصيلاً يمكن أن يدفع الدقة إلى مستويات أعلى. وفي الوقت الحالي، تؤكد الدراسة أنه مع الضبط والتحقق الدقيقين، يمكن لهؤلاء المساعدين الرقميين تقليل خطر التشخيصات الخاطئة بشكل كبير، مما يوفر طبقة جديدة وقوية من الدعم في المعركة ضد أمراض القلب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.