MedAdhereAI: An Interpretable Machine Learning Pipeline for Predicting Medication Non-Adherence in Chronic Disease Patients Using Real-World Refill Data
تُعد MedAdhereAI مساراً للتعلم الآلي القابل للتفسير، يستخدم بيانات إعادة صرف الأدوية والمطالبات من العالم الحقيقي للتنبؤ بعدم الالتزام بتناول الأدوية لدى مرضى الأمراض المزمنة، مما يوفر رؤى قابلة للتنفيذ من خلال قابلية التفسير باستخدام SHAP لدعم التدخلات السريرية المستهدفة.
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
تتطلب إدارة الأمراض المزمنة مثل السكري وارتفاع ضغط الدم من المرضى تناول الأدوية بانتظام. ومع ذلك، يعاني الكثير من الناس في الالتزام بعلاجاتهم الموصوفة. يؤدي عدم الالتزام هذا إلى المزيد من حالات دخول المستشفيات ويساهم في تكاليف رعاية صحية سنوية تبلغ مئات المليارات من الدولارات. وفي أجزاء كثيرة من العالم، تفتقر الأنظمة الصحية إلى الموارد اللازمة لمراقبة كل مريض عن كثب، مما يجعل من الصعب تحديد من قد يتوقف عن تناول دوائه قبل وقوع أزمة صحية.
قام الباحثون في هذه الورقة بتطوير نظام يسمى MedAdhereAI لمعالجة هذه المشكلة. فبدلاً من الاعتماد على البيانات الطبية المعقدة مثل فحوصات الدم أو التصوير باهظ الثمن، يستخدم النظام معلومات يتم جمعها بشكل روتيني بالفعل: وهي سجلات صرف الأدوية من الصيدليات ومطالبات التأمين. ومن خلال النظر في عدد المرات التي يزور فيها المريض الطبيب والفجوات بين عمليات صرف أدويته، يحاول النظام التنبؤ بما إذا كان المريض معرضاً لخطر عدم تناول دواءه.
ولبناء هذا النظام، استخدم الباحثون مجموعة بيانات لسجلات مجهولة الهوية لمرضى يعانون من السكري وارتفاع ضغط الدم. وقد ركزوا على أنماط محددة، مثل عدد الأيام بين عمليات صرف الدواء وإجمالي عدد الزيارات الرعاية الصحية. واختبروا نوعين مختلفين من النماذج الرياضية لمعرفة أيهما يمكنه تحديد المرضى المعرضين للخطر بشكل أفضل. ركز أحد النماذج، المسمى "الانحدار اللوجستي"، على العلاقات المباشرة بين نقاط البيانات، بينما بحث الآخر، وهو "الغابة العشوائية"، عن أنماط أكثر تعقيداً وتداخلاً.
أظهرت النتائج أن نموذج الانحدار اللوجستي كان أكثر فعالية في هذه المهمة المحددة؛ حيث حقق درجة 0.82 في مقياس قياسي يُستخدم لتقييم مدى قدرة النموذج على التمييز بين مجموعتين (وهو ROC AUC)، كما أظهر موثوقية عالية في تقديراته الاحتمالية. ووجد الباحثون أن أهم العوامل في التنبؤ بما إذا كان شخص ما سيتوقف عن تناول دوائه هي إجمالي عدد زيارات الأطباء، وعمر المريض، وطول الفترات الفاصلة بين عمليات صرف الأدوية.
كان الهدف المركزي للبحث هو ضمان ألا يكون النظام "صندوقاً أسود" — وهو نظام يقدم إجابة دون توضيح كيفية وصوله إلى ذلك الاستنتاج. فغالباً ما يتردد الأطباء في الوثوق بالأدوات الآلية إذا لم يتمكنوا من رؤية المنطق الكامن وراء التنبؤ. ولحل هذه المشكلة، دمج الباحثون طريقة توفر تفسيرات لكل من المجموعة بأكملها وللمرضى بشكل فردي. فبالنسبة لمريض واحد، يمكن للنظام أن يوضح بالضبط أي العوامل، مثل الفجوة الطويلة منذ آخر عملية صرف للدواء، دفعت التنبؤ نحو خطر عالٍ لعدم الالتزام.
يقترح المؤلفون أن MedAdhereAI يمكن أن يعمل كأداة لدعم اتخاذ القرار. فمن خلال تحديد المرضى المعرضين للخطر باستخدام البيانات الأساسية والمتاحة على نطاق واسع فقط، قد يتمكن مقدمو الرعاية الصحية في البيئات محدودة الموارد من توجيه وقتهم ومواردهم المحدودة نحو الأشخاص الذين يحتاجون إلى أكبر قدر من المساعدة للبقاء على خططهم العلاجية. ويشير الباحثون إلى أنه على الرغم من أن النتائج واعدة، إلا أن هناك حاجة إلى عمل مستقبلي لاختبار النظام على مجموعات سكانية مختلفة، ولمعرفة ما إذا كان إضافة معلومات أكثر تفصيلاً، مثل البيانات الاجتماعية أو السريرية، سيؤدي إلى تحسين دقته.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.