Forecasting laboratory measurements from longitudinal electronic health records
تقدم الورقة البحثية نموذج LaBERT، وهو نموذج قائم على المحولات (transformer) يتفوق بشكل كبير على الطرق المرجعية في التنبؤ بالقياسات المختبرية المستقبلية من السجلات الصحية الإلكترونية الطولية، وذلك من خلال التعلم الفعال لآثار العلاج ذات المعنى السريري وتمكين دعم القرار السريري المخصص.
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 تحاول تخمين كيف سيكون الطقس في الأسبوع المقبل. يمكنك ببساطة النظر إلى السماء الآن والقول: "الجو مشمس، لذا من المحتمل أن يكون مشمساً غداً". هذا تخمين جيد، لكنه يغفل الصورة الأكبر. ماذا لو كان هناك نظام عواصف يتحرك من الغرب؟ ماذا لو كانت تمطر منذ ثلاثة أيام متتالية؟ لكي تصيب في توقعك، عليك أن تنظر إلى القصة بأكملها: تاريخ الطقس، واتجاهات درجات الحرارة، وحتى ما قاله خبراء الأرصاد الجوية بالأمس.
في عالم الطب، يواجه الأطباء لغزاً مشابهاً. لديهم "تقرير الطقس الطبي" للمريض، وهو قائمة طويلة من الأرقام والملاحظات تسمى السجلات الصحية الإلكترونية (EHRs). تتتبع هذه السجلات أشياء مثل نتائج فحوصات الدم، والأدوية، وكيف يشعر المريض بمرور الوقت. السؤال الكبير هو: هل يمكننا استخدام هذا التاريخ الفوضوي والمعقد للتنبؤ بما ستكون عليه الأرقام الصحية للمريض في زيارته الطبية القادمة؟ إذا استطعنا فعل ذلك، فسيكون الأمر بمثابة امتلاك بلورة سحرية تساعد الأطباء على رصد المشكلات قبل حدوثها، مما يسمح لهم بتعديل العلاجات في الوقت المناسب. هذا هو تحدي "التنبؤ" بصحة المريض، وهو أمر صعب لأن كل جسم بشري يتفاعل بشكل مختلف، والبيانات غالباً ما تكون فوضوية ومليئة بالفجوات.
هنا يأتي دور LaBERT، وهو "عقل حاسوبي" جديد صممه الباحثان فارزانه فیروزبخت ويان باومباخ لحل هذا اللغز تحديداً. فكر في LaBERT كأنه محقق ذكي للغاية، لا يكتفي بالنظر إلى آخر دليل (أحدث فحص دم)، بل يقرأ ملف القضية بأكمله. لقد تم تدريب هذا المحقق على مكتبة ضخمة من السجلات الطبية الواقعية لأكثر من 255,000 مريض، تحتوي على أكثر من نصف مليون زيارة مستشفى.
إليك كيف يعمل LaBERT وما وجده:
حقيبة أدوات المحقق
تحاول معظم النماذج الحاسوبية تحويل تاريخ المريض إلى قائمة بسيطة من الكلمات، مثل كتاب القصص. لكن LaBERT مختلف؛ فهو يعامل أنواع البيانات الطبية المختلفة بطريقتها الخاصة. إنه يدرك أن اسم الدواء يختلف عن رقم ضغط الدم. وبدلاً من ضغط كل شيء في شكل نصي، يستخدم نظام "ترجمة" خاص يحافظ على الأرقام كأرقام وأسماء الأدوية كأسماء، مما يسمح للنموذج بفهم الشكل الفريد لكل قطعة من المعلومات.
والأهم من ذلك، أن LaBERT لا ينظر إلى زيارة واحدة بمعزل عن غيرها، بل يستخدم نظام "ممر الذكريات". تخيل متنزهاً يترك حقيبة ظهر عند كل موقع تخييم. عندما يصل المتنزّه إلى الموقع التالي، فإنه لا ينظر فقط إلى المكان الجديد، بل يتفقد حقائب الظهر من جميع المواقع السابقة ليعرف أين كان وإلى أين قد يذهب. يفعل LaBERT ذلك من خلال دمج الزيارة الحالية مع "تاريخ كامن" لجميع الزيارات السابقة. اختبر الباحثون ثلاث طرق لحمل هذه الحقيبة: إما مجرد إضافة المعلومات القديمة، أو استخدام "بوابة" لتحديد مقدار المعلومات القديمة التي يجب الاحتفاظ بها، أو استخدام خلية ذاكرة معقدة. ووجدوا أن طريقة "البوابة" كانت الأفضل، حيث سمحت للنموذج بالموازنة التكيفية بين ما حدث بالأمس وما يحدث اليوم.
النتائج: أفضل من الأساسيات
اختبر الفريق LaBERT مقابل بعض الطرق الأبسط. إحدى هذه الطرق كانت النهج "الأساسي"، الذي يفترض ببساطة أن فحص الدم القادم سيكون تماماً مثل فحصك الأخير. وهناك نموذج حاسوبي قياسي (MLP) لم يمتلك مهارات "الذاكرة" أو "الترجمة" المتطورة.
كانت النتائج واضحة: LaBERT هو الفائز.
- لقد قلل متوسط الخطأ في توقعاته (متوسط الخطأ التربيعي - Mean Squared Error) من 0.77 إلى 0.53.
- وحسن قدرته على تفسير التغيرات في صحة المريض (درجة R²) من 0.29 إلى 0.51.
هذا يعني أن LaBERT لا يقوم بمجرد التخمين؛ بل يتعلم بالفعل الرقصة المعقدة بين تاريخ المريض، وعلاجاته، وصحته المستقبلية.
هل يفهم الطب حقاً؟
للتأكد من أن LaBERT لم يكن مجرد حفظ للأنماط دون فهمها، لعب الباحثون لعبة "ماذا لو". أخذوا سجلات مرضى حقيقية واستبدلوا الأدوية الفعلية بأدوية وهمية عشوائية. ووجدوا أنه في 81% من الحالات، توقع النموذج الحالة الصحية المستقبلية بدقة أكبر عندما استخدم الأدوية الحقيقية مقارنة بالأدوية الوهمية. وهذا يشير إلى أن LaBERT تعلم أن أدوية معينة تؤدي إلى تغيرات محددة في الجسم.
ذهبوا إلى أبعد من ذلك بتجربة "الواقع المضاد" (counterfactual). سألوا النموذج: "إذا تناول هذا المريض دواء وارفرين (Warfarin - مسيل للدم)، فماذا سيحدث لمستوى INR لديه؟" و "إذا تناول هيبارين (Heparin)، فماذا سيحدث لمستوى PTT؟"
- عندما رأى النموذج "وارفرين"، توقع زيادة في INR بنسبة 100% عبر تجارب الاختبار المختلفة.
- وعندما رأى "هيبارين"، توقع زيادة في PTT بنسبة تتراوح بين 82% إلى 89% من عدد المرات.
ظلت هذه النتائج ثابتة سواء كان النموذج يتوقع الحالة الصحية بعد 0.5 يوم أو بعد 30 يوماً. وهذا يوضح أن النموذج قد تعلم القواعد الطبية الراسخة، وليس مجرد ضجيج عشوائي.
ما لا يفعله LaBERT
من المهم ملاحظة ما لا يفعله هذا النموذج. فقد ذكر الباحثون صراحة أن LaBERT يتعلم من البيانات "الرصدية" (observational data) – أي ما حدث بالفعل في المستشفيات. وهو لا يثبت "السببية" (causation). على سبيل المثال، قد يتوقع النموذج أن المرضى الذين يتناولون الأنسولين لديهم مستويات سكر دم أعلى لاحقاً. هذا ليس لأن الأنسولين يرفع سكر الدم (فهو في الواقع يخفضه)؛ بل لأن الأطباء يعطون الأنسولين للمرضى الذين لديهم بالفعل مستويات سكر دم مرتفعة جداً. النموذج يعيد إنتاج هذا النمط الواقعي بأمانة، لكنه لا يعرف السحر وراء السبب والنتيجة البيولوجية ما لم يُخبر بذلك. يحذر المؤلفون من أن هذه التوقعات هي "توقعات رصدية"، وليست حقائق سببية مطلقة، ويجب استخدامها لدعم حكم الطبيب وليس لاستبداله.
الخلاصة
يعد LaBERT أداة قوية جديدة تظهر أننا نستطيع استخدام التاريخ الطويل والفوضوي لحياة المريض للتنبؤ بأرقامه الصحية المستقبلية بدقة مذهلة. ومن خلال معاملة الوقت، والأدوية، ونتائج المختبر كقصة مترابطة بدلاً من كونها قائمة من الحقائق المنعزلة، فإنه يقدم لمحة عن مستقبل يمكن للأطباء فيه محاكاة مسارات علاجية مختلفة واختيار المسار الأكثر احتمالاً للحفاظ على صحة مرضاهم. ورغم أنه ليس عصا سحرية تحل جميع الألغاز الطبية، إلا أنه خطوة كبيرة نحو طب شخصي يستشرف المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.