Development and Validation of Interpretable Machine Learning Models for Early Prediction of Low Birth Weight in Ethiopia: A Secondary Analysis of the Ethiopian Demographic and Health Survey

في أجزاء كثيرة من العالم، يُعد حجم المولود عند الولادة أحد أقوى المؤشرات على صحته المستقبلية. فعندما يقل وزن المولود عن عتبة معينة، يواجه خطرًا أكبر بكثير للإصابة بأمراض شديدة وحتى الوفاة في أسابيع حياته الأولى. هذه الحالة، المعروفة باسم انخفاض وزن المواليد، غالبًا ما تكون مدفوعة بمزيج معقد من العوامل: تغذية الأم، وقدرتها على الوصول إلى الرعاية الصحية، وبيئتها المعيشية، وتاريخ حملاتها السابقة. وفي البلدان ذات الموارد الطبية المحدودة، يكون تحديد النساء الحوامل الأكثر عرضة للخطر أمرًا صعبًا؛ إذ يفتقر الأطباء والعاملون في مجال الصحة المجتمعية إلى الأدوات التي تمكنهم من رؤية هذه المخاطر بوضوح قبل فوات الأوان للتدخل بفعالية. ولا يكمن التحدي في معرفة من هم المعرضون للخطر فحسب، بل في معرفة ذلك في وقت مبكر بما يكفي لتقديم المساعدة، باستخدام معلومات يمكن الحصول عليها خلال الزيارات الأولى للعيادة.

لقد تصدى باحثون في إثيوبيا لهذه المشكلة من خلال بناء أداة رقمية جديدة من نوعها مصممة لرصد هذه المخاطر مبكرًا. فقد لجأوا إلى مجموعة ضخمة من البيانات المستمدة من مسح وطني أجريت فيه مقابلات مع آلاف النساء في جميع أنحاء البلاد، حيث جُمعت تفاصيل حول صحتهن، ومنازلهن، وحملاتهن. وبدلاً من الاعتماد على الطرق التقليدية التي قد تغفل عن الروابط الدقيقة بين عوامل الخطر المختلفة، قام الفريق بتدريب برامج حاسوبية لإيجاد أنماط داخل هذه البيانات. وقد ركزوا تحديدًا على المعلومات التي يمكن للعامل الصحي جمعها خلال أول زيارة لرعاية ما قبل الولادة، مثل عمر الأم، وطول قامتها، وما إذا كانت تعاني من فقر الدم، والمدة التي مرت منذ ولادتها لطفلها الأخير، ودخل أسرتها. وكان الهدف هو إنشاء نظام يمكنه النظر في هذه العلامات المبكرة والتنبؤ بدقة عالية بالأمهات اللاتي يُحتمل أن يلدن أطفالًا بوزن منخفض، كل ذلك مع شرح السبب الدقيق وراء هذا التنبؤ.

اختبر الفريق عدة طرق مختلفة للتعلم الحاسوبي لمعرفة أيها يعمل بشكل أفضل. فقد قسموا البيانات إلى مجموعتين: واحدة لتعليم الحاسوب والأخرى لاختبار معرفته، مما يضمن أن تكون النتائج صادقة وليست مجرد ضربة حظ. ومن بين الخوارزميات المتنوعة التي جربوها، برز نموذج واحد بشكل ملحو de. هذا النموذج، المعروف باسم "تعزيز التدرج الشديد" (extreme gradient boosting)، أثبت أنه الأكثر مهارة في التمييز بين الأمهات اللاتي سيلدن أطفالًا أصحاء وأولئك اللاتي لن يكون الأمر كذلك. وعند اختباره على بيانات جديدة لم يسبق له رؤيتها، حدد النظام الخطر بدقة تقارب تسعين بالمائة. لقد كان أكثر دقة بكثير من الأدوات الإحصائية القياسية المستخدمة حاليًا في العديد من الإعدادات الطبية، والتي غالبًا ما تجد صعوبة في استيعاب الطرق المعقدة التي تتفاعل بها عوامل الفقر والتغذية والتاريخ الصحي.

إن ما يجعل هذا الإنجاز قيمًا بشكل خاص هو أن النموذج الحاسوبي لا يعمل كـ "صندوق أسود" غامض. ففي كثير من الأنظمة الحاسوبية المتقدمة، تُعطى الإجابة دون أي تفسير، مما يترك الأطباء في حيرة من أمرهم بشأن كيفية التصرف بناءً عليها. وقد حل الباحثون هذه المشكلة باستخدام طريقة تفكك التنبؤ لكل حالة فردية. ووجدوا أن النظام يشير باستمرار إلى بعض العوامل الرئيسية كمحركات أساسية للخطر. وكانت أهم علامات التحذير هي فقر الدم لدى الأم، وهي حالة تفتقر فيها دماء الأم إلى خلايا دم حمراء صحية كافية لحمل الأكسجين. وشملت العوامل الحرجة الأخرى قصر الفترة بين الحملين، وكون الأم تعاني من نقص في الوزن، والعيش في منطقة ريفية، وانخفاض ثروة الأسرة بشكل كبير، وتأخير أو تفويت أول فحص لما قبل الولادة. لم يكتفِ النموذج بالإشارة إلى أن الأم "عالية الخطورة" فحسب، بل أوضح أن فقر الدم لديها أو قصر الفترة بين الولادات هو السبب المحدد للتنبيه.

وقد تحقق الباحثون من أن هذه التنبؤات لم تكن سليمة رياضيًا فحسب، بل كانت مفيدة سريريًا أيضًا. فقد تحققوا من أن الاحتمالات التي قدمها الحاسوب تتوافق مع النتائج الواقعية، ووجدوا أنه عندما يقول النموذج إن لدى المرأة احتمال ثلاثين بالمائة لإنجاب طفل بوزن منخفض، فإن هذه هي الاحتمالية بالفعل. وتوحي هذه الموثوقية بإمكانية دمج هذه الأداة في العمل اليومي للعاملين في مجال التمديد الصحي في إثيوبيا. تخيل عاملاً صحيًا يجلس مع امرأة حامل خلال زيارتها الأولى، ويدخل بعض الحقائق الأساسية في جهاز محمول. سيقوم النظام فورًا بحساب الخطر وتسليط الضوء على الأسباب المحددة، مثل الحاجة إلى مكملات الحديد أو الإحالة للمراقبة الوثيقة. يسمح هذا النهج بتقديم مساعدة مستهدفة تمامًا حيث تشتد الحاجة إليها، محولاً تحديًا واسع النطاق في الصحة العامة إلى سلسلة من الإجراءات الفردية القابلة للإدارة.

وبينما تظهر هذه الدراسة وعودًا كبيرة، فإن المؤلفين حذرون في توضيح حدودها. فقد جاءت البيانات من مسح حيث أبلغت الأمهات عن تجاربهن الخاصة وأحجام أطفالهن، وهو ما قد يكون أحيانًا أقل دقة من القياسات السريرية المباشرة. بالإضافة إلى ذلك، نظرًا لأن البيانات جُمعت في نقطة زمنية واحدة، فإن النموذج يحدد الارتباطات وليس إثبات أن عاملًا ما يتسبب مباشرة في آخر. ومع ذلك، فإن النتائج تقدم مسارًا واضحًا للمضي قدمًا. فمن خلال الجمع بين التعلم الحاسوبي القوي والحاجة إلى الشفافية، أنشأ الباحثون إطارًا يحترم قيود البيئات محدودة الموارد مع تقديم وسيلة متطورة لحماية المواليد الأكثر عرضة للخطر. ويُظهر هذا العمل أنه مع توفر الأدوات المناسبة، يصبح التدخل المبكر ممكنًا، مما يغير مسار التحدي ضد سبب رئيسي لوفيات الرضع.