Predictors of COVID-19 hospital outcomes: a machine learning analysis of the National COVID Cohort Collaborative
استخدمت هذه الدراسة التعلم الآلي على مجموعة بيانات متجانسة وكبيرة من مرضى كوفيد-19 المقيمين في المستشفيات لإثبات أنه في حين توفر سمات السجلات الصحية الإلكترونية المهيكلة الشائعة فائدة متوسطة للتنبؤ بالوفيات، إلا أنها غير كافية للتنبؤ بطول مدة الإقامة، وأن تطبيق تقنية SMOTE لمعالجة عدم توازن الفئات يخلق مقايضة حرجة بين الاستدعاء والتمييز تستلزم الإبلاغ عن مقاييس تعتمد على العتبة من أجل الفائدة السريرية.
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
تخيل أنك قبطان لأسطول ضخم مكون من 51 مستشفى مختلفًا، وقد ضربت عاصفة (جائحة كوفيد-19) الأسطول للتو. لديك قائمة ضخمة من الركاب (263,619 مريضًا) على متن السفينة، ومهمتك هي معرفة شيئين:
- من المرجح أن ينجو من العاصفة؟ (التنبؤ بالوفيات)
- كم سيستغرق من الوقت للبقاء على متن السفينة قبل أن يتمكن من العودة إلى منزله؟ (التنبؤ بمدة الإقامة)
للقيام بذلك، استعنت بفريق من أربعة خبراء في "البلورات السحرية" (نماذج تعلم الآلة) ليفحصوا السجلات الطبية للركاب ويقدموا تنبؤاتهم. هذه الورقة هي "تقرير الدرجات" حول مدى جودة عمل تلك البلورات السحرية.
إليك القصة عما وجدوه، مشروحة ببساة:
1. البلورات السحرية مقابل البلورة السحرية
لم يستخدم الباحثون نوعًا واحدًا من البلورات السحرية؛ بل استخدموا أربعة أنواع مختلفة من "الذكاء الاصطناعي" لمعرفة أيهم الأفضل:
- الإحصائي التقليدي: معادلة رياضية بسيطة وموثوقة.
- الغابة العشوائية (Random Forest): مجموعة من الأشجار التي تصوت على الإجابة.
- XGBoost: متعلم ذكي وسريع يتحسن مع كل خطأ يرتكبه.
- الشبكة العصبية (Neural Network): دماغ رقمي يحاول محاكاة طريقة تفكير الخلايا العصبية البشرية.
لقد غدّوا هذه النماذج ببيانات مثل العمر، والوزن، والمشاكل الصحية الموجودة مسبقًا (مثل السكري أو أمراض القلب)، وما إذا كان المريض قد تلقى اللقاح أم لا.
2. لعبة "من سينجو؟" (التنبؤ بالوفيات)
النتيجة: كانت نماذج الذكاء الاصطناعي جيدة، ولكن ليست مذهلة.
- الدرجة: حصلت على درجة تقارب 0.72 من 1.0. فكر في هذا كدرجة في اختبار. 72% تعادل تقدير "جيد" أو "جيد مرتفع". إنها أفضل من التخمين، لكنها ليست مثالية.
- العقبة (مشكلة "عدم توازن الفئات"): إليك الجزء الصعب. في المستشفى، معظم الناس ينجون، وقليلون فقط يتوفون. الأمر يشبه محاولة العثور على إبرة في كومة قش.
- السيناريو (أ) (بدون مساعدة): نظر الذكاء الاصطناعي إلى كومة القش وقال: "سأخمن فقط أن الجميع سينجون". حصل على درجة عالية لأنه كان محقًا في معظم الأوقات، لكنه فاته كل شخص كان سيموت بالفعل. لقد كان عديم الفائدة في إنقاذ الأرواح.
- السيناريو (ب) (خدعة "SMOTE"): استخدم الباحثون خدعة تسمى SMOTE. تخيل أن الذكاء الاصطناعي هو طاهٍ، وهناك عدد قليل جدًا من مكونات "الموت" في المطبخ. SMOTE تشبه قيام الطاهي بصنع نسخ مزيفة من تلك المكونات النادرة ليتدرب الطاهي على الطبخ بها.
- المقايضة: عندما استخدموا SMOTE، أصبح الذكاء الاصطناعي أفضل بكثير في رصد الأشخاص الذين قد يموتون (توقف عن تفويت الإبر). ومع ذلك، بدأ يرتبك بشأن من سوف ينجون (الناجين)، وانخفضت "درجة ثقته" الإجمالية. كان الأمر كما لو أن الطاهي أصبح بارعًا في صنع الطبق النادر ولكنه بدأ يفسد الوجبات العادية.
الدرس المستفاد: لا يمكنك الاكتفاء بالنظر إلى "الدرجة الإجمالية" (AUROC). يجب أن تنظر إلى ما إذا كان الذكاء الاصطناعي يمسك بالفعل بالأشخاص الذين يحتاجون للمساعدة.
3. لعبة "كم سيستغرق بقاؤهم؟" (التنبؤ بمدة الإقامة)
النتيجة: كانت نماذج الذكاء الاصطناعي سيئة للغاية في هذا الأمر.
- الدرجة: حصلت على درجة تقارب 0.06 من 1.0. هذا يشبه محاولة التنبؤ بحالة الطقس العام المقبل باستخدام ميزان حرارة من الأمس.
- لماذا؟ نظر الذكاء الاصطناعي إلى صحة المريض، لكنه لم يستطع "رؤية" المستشفى.
- قد يقوم مستشفى ما بتسريح المرضى بسرعة لأن لديهم فريق عمل اجتماعي رائع.
- قد يحتفظ مستشفى آخر بالمرضى لفترة أطول لأن لديهم أسرة أقل أو قواعد مختلفة.
- لم يكن لدى الذكاء الاصطساط طريقة "لرؤية" هذه القواعد غير المرئية للمستشفيات. كان الأمر كأنك تحاول تخمين مدة رحلة بالسيارة من خلال النظر إلى السائق فقط، دون معرفة ما إذا كانت إشارات المرور معطلة أو إذا كان هناك حاجز أمامك.
4. لغز "ريمديسفير" (Remdesivir)
بحثت الدراسة أيضًا في من تلقى دواءً معينًا يسمى ريمديسفير.
- الملاحظة: الأشخاص الذين تلقوا ريمديسفير كانوا في الواقع أكثر مرضًا منذ البداية. كانوا أكبر سنًا، ولديهم المزيد من المشاكل الصحية، ومعدلات وفيات أعلى.
- التشبيه: تخيل أنك ترى مجموعة من الناس يرتدون معاطف مطر ثقيلة ومظلات. قد تعتقد: "واو، تلك المعاطف خطيرة؛ الناس الذين يرتدونها يبتلون!" ولكن في الواقع، المعاطف لم تسبب البلل؛ بل ارتدى الناس المعاطف لأن المطر كان يهطل بغزارة بالفعل.
- الخلاصة: الدواء لم يكن هو ما يقتل الناس؛ بل إن المرضى الأكثر مرضًا هم من حصلوا على الدواء. هذا ما يسمى "الارتباط بالدواعي المرضية" (Confounding by indication). وهذا يعني أنه لا يمكنك مجرد مقارنة المجموعتين لمعرفة ما إذا كان العقار فعالًا؛ بل يجب عليك مراعاة حقيقة أن المرضى تم اختيارهم أولاً.
5. مشكلة "كبار السن"
عندما اختبر الباحثون الذكاء الاصطناعي فقط على الأشخاص الذين تزيد أعمارهم عن 65 عامًا، أصبحت النماذج أسوأ.
- لماذا؟ عندما تنظر إلى مجموعة من الشباب بعمر العشرين، فهم جميعًا مختلفون تمامًا عن بعضهم البعض. ولكن عندما تنظر إلى مجموعة من كبار السن بعمر الثمانين، فإنهم غالبًا ما يتشاركون في مشاكل صحية متشابهة (مثل التهاب المفاصل، أو مشا مشاكل القلب، إلخ).
- التشبيه: الأمر يشبه محاولة فرز مجموعة من أوراق اللعب حيث كل ورقة هي درجة لون حمراء مختلفة قليلاً. من الصعب جدًا التمييز بينهم. كان الذكوار الاصطناعي بحاجة إلى المزيد من الأدلة (مثل مدى ضعف الشخص أو كيفية تغير فحوصات الدم لديه يوميًا) لاتخاذ تخمين جيد لكبار السن.
الخلاصة النهائية
تخبرنا هذه الورقة ثلاث أشياء رئيسية بلغة بسيطة:
- الذكاء الاصطناعي مساعد مفيد، وليس عرافًا. يمكنه إعطاء فكرة تقريبية عمن هم عرضة للخطر، لكنه ليس مثاليًا بعد.
- السياق مهم. لا يمكنك النظر إلى المريض فحسب؛ بل يجب أن تفهم المستشفى الذي يتواجد فيه للتنبؤ بمدة إقامته.
- لا تثق في "متوسط الدرجة". في الطب، من الأفضل أن يكون لديك نموذج يصطاد المرضى (حتى لو ارتكب بعض الأخطاء) بدلاً من نموذج يقول ببساطة "الجميع بخير" لأن ذلك أسهل إحصائيًا.
الباحثون يقولون لنا باختصار: "لقد بنينا أدوات رائعة، وهي تعمل بشكل جيد، ولكن لإنقاذ الأرواذا حقًا وإدارة المستشفيات، نحتاج إلى تغذيتها بمزيد من البيانات وتعليمها فهم الجانب "البشري" للمستشفى، وليس فقط الأرقام".
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.