Model Ensembling and Machine Learning Approaches to Predict the First Dose of Amoxicillin in Intensive Care

تخيل أنك طاهٍ يحاول إعداد وجبة مثالية لضيف مريض جداً في مطبخ عالي المخاطر (وحدة العناية المركزة). يحتاج الضيف إلى كمية محددة من مكون خاص (الأموكسيسيلين) فوراً لكي يتحسن؛ فإذا أعطيته القليل، سينتصر المرض، وإذا أعطيته الكثير، قد تسمم الضيف.

المشكلة هي أن كل ضيف مختلف عن الآخر. فبعضهم طوال القامة، وبعضهم قصير، وبعضهم لديه كلى ضعيفة، وآخرون لديهم كبد قوي. في الماضي، كان على الطهاة (الأطباء) تخمين الكمية الصحيحة بناءً على كتاب وصفات واحد، أو كان عليهم الانتظار حتى يتمكنوا من تذوق الحساء (قياس مستويات الدواء في الدم) لتعديل الوصفة. لكن انتظار تذوق الحساء يستغرق وقتاً، وفي وحدة العناية المركزة، الوقت ثمين للغاية.

هذه الورقة البحثية تتحدث عن طريقة جديدة لمساعدة الطاهي في تخمين "المغرفة الأولى" المثالية من المكون فوراً، دون انتظار تذوق الحساء.

مشكلة "كتاب الوصفات"

نظر الباحثون في أربعة كتب وصفات مختلفة ومعروفة (تسمى نماذج الحركية الدوائية السكانية) كتبها الخبراء لهذا المكون. كان لكل كتاب طريقة مختلفة قليلاً في حساب الجرعة بناءً على تفاصيل الضيف.

• الطريقة القديمة: اختر كتاب وصفات واحداً والتزم به. وجدت الدراسة أن هذه الطريقة كانت تشبه التخمين وأنت معصوب العينين؛ حيث كانت تصيب الكمية الصحيحة بنسبة 14% إلى 32% فقط.
• الطريقة القياسية: مجرد إعطاء كمية عامة "مقاس واحد يناسب الجميع". لم ينجح هذا أيضاً بشكل جيد.

النهج الجديد: "اللجنة الفائقة"

بدلاً من الثقة في كتاب وصفات واحد فقط، بنى الباحثون "لجنة فائقة" من الخبراء. جربوا استراتيجيتين رئيسيتين لجعل هذه اللجنة أكثر ذكاءً:

1. "تصويت المجموعة الذكي" (تجميع النماذج)
تخيل أن لديك لجنة من أربعة خبراء مختلفين. بدلاً من الاستماع فقط إلى الأكثر صخباً بينهم، تطلب نصيحة الجميع وتجمع إجاباتهم.

• التصويت البسيط: تقوم فقط بمتوسط نصائحهم. كان هذا جيداً، لكن ليس رائعاً.
• تصويت "الشجرة": بنى الباحثون "شجرة قرار" (مثل كتاب "اختر مغامرتك الخاصة") لمعرفة أي خبير هو الأفضل لهذا الضيف تحديداً. إذا كان للضيف سمة معينة، فإن الخبير (أ) هو المرشد الأفضل. وإذا كانت لديه سمة أخرى، فإن الخبير (ب) هو الأفضل.
• تصويت "التشابه" (FAMD): هذا يشبه النظر إلى صورة للضيف الجديد والسؤال: "من في سجلاتنا الماضية يشبه هذا الشخص أكثر؟". إذا كان الضيف الجديد يشبه الأشخاص الذين يعالجهم الخبير (ج) عادةً، فنحن نثق في الخبير (ج) أكثر.

2. "طهاة الذكاء الاصطناعي" (تعلم الآلة)
قام الباحثون أيضاً بتدريب أربعة طهاة مختلفين من الذكاء الاصطناعي (خوارمازميات مثل "الغابة العشوائية" و"XGBoost"). هؤلاء الطهاة الآليون لم يستخدموا كتب الوصفات القديمة مباشرة، بل تعلموا من آلاف الأمثلة التي تجمع بين (تفاصيل الضيف + الجرعة + النتيجة) ليعرفوا "المغرفة الأولى" المثالية من تلقاء أنفسهم.

النتائج: من أصاب الهدف؟

اختبر الباحثون هذه الطرق باستخدام عمليات محاكاة حاسوبية، ثم على مرضى حقيقيين في وحدة العناية المركزة.

• الفائزون: كانت طرق "اللجنة الفائقة" وطهاة الذكاء الاصطناعي أفضل بكثير من طريقة كتاب الوصفات الواحد القديم.
  • كتاب الوصفات الواحد أصاب الهدف بنسبة 14-32% تقريباً.
  • طرق "اللجنة الفائقة" والذكاء الاصطناعي أصابت الهدف بنسبة 30-42% في عمليات المحاكاة.
• الاختبار في العالم الحقيقي: عندما اختبروا هذه الطرق على مرضى حقيقيين، كان "تصويت التشابه" (FAMD) و"تصويت الشجرة" هما الأبطال. لقد حسّنا نسبة النجاح بمقدار 6-10% مقارنة بمجرد أخذ متوسط نصائح الخبراء.
• الحالة الخاصة: بالنسبة للمرضى الذين يتلقون الدواء عبر "التنقيط المستمر" (مثل المحلول الوريدي البطيء)، كان طريقة "تصويت التشابه" هي الأفضل على الإطلاق، حيث أصابت الجرعة الصحيحة بنسبة 49% من المرات.

الخلا الخلاصة

تظهر هذه الورقة أنه بدلاً من الاعتماد على خبير واحد أو قاعدة عامة، فإن الجمع بين حكمة العديد من النماذج — واستخدام أدوات ذكية لتحديد أي خبير يجب الوثوق به بناءً على مدى تشابه المريض مع الحالات الماضية — يساعد الأطباء على الوصول إلى "النقطة المثالية" للجرعة الأولى من الدواء في كثير من الأحيان. إن الأمر يشبه وجود فريق من المحققين يحلون لغزاً معاً بدلاً من محاولة حله بمفردهم، مما يضمن حصول المريض على المساعدة الصحيحة فوراً.