📄 health informatics

Interoperability of standardised electronic healthcare records facilitates transfer learning of clinical language models

تُثبت هذه الدراسة أن توحيد السجلات الصحية الإلكترونية وفق نموذج البيانات المشترك (OMOP) يُمكّن بفعالية من نقل تعلم النماذج اللغوية السريرية عبر مجموعات بيانات بريطانية متنوعة، محققاً أداءً تنبؤياً عالياً لإعادة الإدخال إلى المستشفى في حالات الطوارئ رغم الاختلافات الديموغرافية ومحدودية المفردات.

المؤلفون الأصليون: Remfry, E., Henkin, R.

نُشر 2026-09-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Remfry, E., Henkin, R.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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

تنتج المستشفيات وعيادات الأطباء تدفقاً هائلاً ومستمراً من الملاحظات الرقمية حول المرضى. تحتوي هذه السجلات الإلكترونية على تاريخ كل زيارة، وكل وصفة طبية، وكل نتيجة فحص. ومع ذلك، فإن الطريقة التي تسجل بها الأنظمة المختلفة هذه المعلومات غالباً ما تكون غير متسقة؛ فقد تستخدم إحدى العيادات رمزاً معيناً لقراءة ضغط الدم المرتفع، بينما تستخدم عيادة أخرى رمزاً مختلفاً تماماً لنفس الشيء بالضبط. هذا الافتقار إلى التوحيد يجعل من الصعب دمج البيانات من أماكن مختلفة لإيجاد أنماط أو لتعليم الحواسيب كيفية التعرف على الاتجاهات الصحية. ولحل هذه المشكلة، طور الباحثون مترجماً عالمياً للبيانات الطبية يسمى "نموذج البيانات المشترك". فكر في الأمر كقاموس مشترك يجبر أنظمة الترميز المختلفة على الاتفاق على معنى الحدث الطبي، محولاً مزيجاً فوضوياً من الاختصارات المحلية إلى لغة واحدة موحدة. والأمل هو أنه إذا استطاعت الحواسيب تعلم هذه اللغة العالمية من مجموعة واحدة من المرضى، فقد تتمكن من تطبيق تلك المعرفة على مجموعة مختلفة تماماً من المرضى في مكان آخر، دون الحاجة إلى إعادة تدريبها من الصفر.

في دراسة حديثة، سعى الباحثون لاختبار ما إذا كانت هذه الفكرة تنجح في العالم الحقيقي باستخدام مجموعتين كبيرتين من السجلات الصحية من المملكة المتحدة. وقد ركزوا على مهمة محددة: التنبؤ بما إذا كان المريض سيحتاج إلى العودة إلى المستشفى لحالة طارئة في غضون ثلاثين يوماً من خروجه. وكانت مصادر البيانات التي اختاروها مختلفة تماماً؛ حيث جاءت مجموعة بيانات واحدة من شبكة من الممارسات العامة في جميع أنحاء إنجلترا، بينما جاءت الأخرى فقط من ممارسات في لندن. واختلفت هذه المجموعات من الناس في العمر، والعرق، والخلفية الاقتصادية، كما كانت الحواسيب في كل نظام تسجل تاريخهم الطبي في الأصل باستخدام أنظمة ترميز مختلفة. قام الباحثون أولاً بترجمة كلا المجموعتين من السجلات إلى اللغة العالمية الموحدة المذكورة سابقاً. ثم قاموا بتدريب برنامج حاسوبي متطور، يُعرف باسم "نموذج لغة سريرية"، لفهم الأنماط في مجموعة البيانات الأولى. تعلم هذا البرنامج قراءة تسلسل الأحداث الطبية وتخمين احتمالية حدوث إعادة دخول طارئة في المستقبل.

جاء الاختبار الحاسم عندما طلب الباحثون من هذا البرنامج المدرب النظر في مجموعة البيانات الثانية، وهي مجموعة لندن، دون إعطائه أي تدريب جديد. أرادوا معرفة ما إذا كان المعرفة المكتسبة من المجموعة الأولى يمكن أن تنتقل إلى المجموعة الثانية. كانت النتائج مشجعة؛ فقد أدى النموذج، الذي لم يرَ بيانات لندن من قبل، أداءً يقارب أداء نموذج تم تدريبه خصيصاً على تلك المجموعة منذ البداية. لقد حدد المرضى المعرضين للخطر بدقة عالية، متفوقاً بمراحل على نموذج تم بناؤه من الصفر دون أي تعلم مسبق. يشير هذا إلى أن توحيد البيانات سمح للحاسوب بتعلم مبادئ عامة حول المخاطر الصحية تنطبق عبر مجموعات سكانية مختلفة، حتى عندما تبدو تلك المجموعات مختلفة تماماً على الورق.

كما تعمق الباحثون لفهم الأجزاء التي كانت تقود هذه التنبؤات في السجلات الطبية. ووجدوا أن المعلومات الأكثر أهمية جاءت من تاريخ حالات المريض والملاحظات التي سجلها الأطباء، مثل الملاحظات حول الأعراض أو نتائج الفحص البدني. ومن المثير للاهتمام أن أهمية العوامل الأخرى، مثل قوائم الأدوية أو أرقام القياسات المحددة، تباينت اعتماداً على مجموعة البيانات المستخدمة. ففي إحدى المجموعات، أدى حذف بيانات الأدوية في الواقع إلى تحسين أداء النموذج، بينما في المجموعة الأخرى، كان حذف بيانات القياسات له التأثير ذاته. يشير هذا إلى أنه بينما ساعدت اللغة العالمية الحاسوب على فهم الصورة الكبيرة، فإن التفاصيل المحددة التي تهم يمكن أن تعتمد أيضاً على كيفية جمع البيانات وتنظيمها في الأصل.

وعلى الرغم من هذه النجاحات، سلطت الدراسة الضوء على بعض الحدود العملية. فعملية ترجمة السجلات إلى اللغة القياسية لم تكن مثالية؛ حيث فُقدت بعض المعلومات لأن بعض الرموز المحلية لم يكن لها مقابل مباشر في القاموس العالمي. كما كان للبرنامج الحاسوبي مفردات محدودة، مما يعني أنه لم يستطع التعرف على كل رمز صادفه في مجموعة البيانات الجديدة. ومع ذلك، تظل النتيجة الجوهرية قوية: من خلال تحويل السجلات الطبية المحلية الفوضوية إلى تنسيق موحد، يمكن للباحثين بناء أدوات قوية تعمل عبر مختلف المستشفيات والمناطق. يقدم هذا النهج مساراً واعداً نحو إنشاء أدوات تنبؤ طبي لا تقتصر على نظام واحد، مما يسمح بمرور الرؤى من مجتمع إلى آخر، بغض النظر عن الاختلافات في عادات الترميز المحلية أو التركيبة السكانية.

أبحاث مشابهة