← أحدث الأبحاث
📄 طب الجهاز التنفسي

Beyond Padua and IMPROVE: Machine Learning Outperforms Guideline Risk Scores for Prediction of Radiologically Confirmed Hospital-Acquired Venous Thromboembolism

تُظهر هذه الدراسة أن نماذج تعلم الآلة المدربة على بيانات التنويم الروتينية تتفوق بشكل كبير على درجات المخاطر التقليدية القائمة على الإرشادات (Padua وIMPROVE) في التنبؤ بالانصمام الخثاري الوريدي المكتسب في المستشفيات والمؤكد إشعاعياً عبر مجموعة كبيرة وغير مختارة من حالات التنويم التي تقارب 400,000 حالة تنويم.

المؤلفون الأصليون: Feng, J., Li, Y., Yu, S., Sun, X.

نُشر 2026-08-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

المؤلفون الأصليون: Feng, J., Li, Y., Yu, S., Sun, X.

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

في كل عام، يدخل الملايين من الناس إلى المستشفيات لتلقي العلاج، وبالنسبة للكثيرين، يحمل فعل الاستلقاء دون حراك أو التعافي من مرض ما خطراً خفياً: وهو تكون جلطات دموية. يمكن لهذه الجلطات أن تنتقل عبر الأوردة وتعيق تدفق الدم إلى الرئتين، وهي حالة تُعرف باسم الانصمام الخثري الوريدي، والتي تعد سبباً رئيساً للوفيات التي يمكن الوقاية منها في المستشفيات. لطالاً اعتمد الأطباء على قوائم مراجعة بسيطة لتقرير من يحتاج إلى أدوية وقائية. تسأل هذه القوائم بضعة أسئلة أساسية: هل يتجاوز عمر المريض سناً معيناً؟ هل يعاني من السرطان؟ هل هو غير قادر على الحركة؟ وبناءً على الإجابات، يتم حساب درجة لتقدير المخاطر. وبينما تعد هذه الأدوات ممارسة قياسية، إلا أنها غالباً ما تخطئ الهدف، حيث تفشل في تحديد العديد من المرضى الذين ستتكون لديهم جلطات، بينما تضع علامات تحذيرية على آخرين هم في الواقع في أمان. لقد كان التحدي يكمن في إيجاد طريقة لرؤية الخطر بوضوح أكبر دون إضافة المزيد من العمل إلى الكوادر الطبية المثقلة بالأعباء.

قام فريق من الباحثين باختبار ما إذا كان بإمكان برنامج حاسوبي أن يتعلم من السجلات الطبية للتنبؤ بهذه الجلطات بشكل أفضل من قوائم المراجعة التقليدية. لقد لجأوا إلى مجموعة ضخمة من السجلات الطبية مجهولة المصدر من مستشفى واحد في الولايات المتحدة، تغطي أكثر من 399,000 حالة دخول للبالغين بين عامي 208 و2022. ولضمان دراسة حالات جديدة بدلاً من التاريخ القديم، ركزوا فقط على المرضى الذين لم يسبق لهم الإصابة بجلطة دموية من قبل. لم يعتمد الباحثون على رموز الفواتير البسيطة للعثور على المرضى المصابين، حيث يمكن أن تكون هذه الرموز غير دقيقة. بدلاً من ذلك، بنوا نظاماً لقراءة النص الكامل لتقارير الأشعة، مثل الأشعة المقطعية وصور الموجات فوق الصوتية، بحثاً عن الكلمات المحددة التي يستخدمها الأطباء عند تأكيد وجود جلطة جديدة. حددت هذه العملية الدقيقة 1,915 مريضاً أصيبوا بجلطة جديدة أثناء إقامتهم، وهو معدل يبلغ حوالي خمس حالات لكل 1,000 حالة دخول.

ثم قام الباحثون بتدريب نوعين من النماذج الحاسوبية للتنبؤ بهذه الأحداث. نظر النوع الأول إلى لقطة من بيانات المريض خلال أول 24 ساعة من إقامته، بما في ذلك عمره، وتاريخه الطبي، ونتائج الاختبارات المعملية، وما إذا كان قد خضع للجراحة. أما النوع الثاني فكان ديناميكياً، مما يعني أنه يحدث تنبؤاته يومياً مع ورود نتائج مخبرية وعلامات حيوية جديدة. وقارنوا هذه النماذج الحاسوبية بقائمتي المراجعة الأكثر شيوعاً المستخدمة في المستشفيات اليوم. كانت النتائج مذهلة؛ فقد كان أداء قوائم المراجعة التقليدية ضعيفاً، حيث حددت الخطر بشكل صحيح في حوالي 62% فقط من الحالات عند اختبارها على بيانات جديدة. وفي المقابل، حققت النماذج الحاسوبية، التي استخدمت نفس البيانات الروتينية المتاحة للأطباء، مساحة تحت المنحنى (AUC) بلغت 0.89. كان التحسن كبيراً لدرجة أنه لا يمكن إنكاره إحصائياً، مما أظهر أن النماذج الحاسوبية يمكنها رصد أنماط في البيانات فاتت قوائم المراجعة البسيطة تماماً.

كما استكشفت الدراسة ما إذا كانت أنظمة التعلم العميق الأكثر تعقيداً، والتي تحاول قراءة التسلسل الكامل للتغيرات اليومية للمريض، ستقدم أداءً أفضل. ومن المثير للدهشة أن هذه الأنظمة المعقدة لم تقدم أي ميزة مقارنة بالنماذج الأبسط التي تكتفي بالنظر في الملخصات اليومية. وجد الباحثون أن النماذج الأبسط كانت فعالة بنفس القدر في التقاط إشارات الخطر المخفية في البيانات. علاوة على ذلك، ظلت النماذج الحاسوبية متفوقة حتى عندما اختبرها الباحثون تحت ظروف صارمة، مثل النظر فقط في المرضى الذين أصيبوا بجلطات بعد أكثر من يوم من وصولهم، أو تضمين المرضى الذين لديهم تاريخ من الجلطات. ظل تفوق النماذج الحاسوبية ثابتاً عبر جميع هذه السيناريوهات.

يشير هذا العمل إلى أن مستقبل سلامة المستشفيات قد يكمن في برمجيات تعمل بهدوء في الخلفية، وتقوم تلقائياً بحساب المخاطر في اللحظة التي يُدخل فيها المريض. وخلافاً لقوائم المراجعة الحالية، التي تتطلب من الممرض أو الطبيب ملء نموذج يدوياً، يمكن لهذه النماذج الحاسوبية سحب المعلومات الضرورية مباشرة من السجل الصحي الإلكتروني. وبينما أجريت الدراسة على بيانات تاريخية وتتطلب مزيداً من الاختبار في بيئات المستشفيات في الوقت الفعلي قبل أن يمكن اعتمادها على نطاق واسع، فإن النتائج تشير إلى أن تحقيق قفزة كبيرة في الدقة أمر ممكن. ومن خلال استخدام البيانات الموجودة بالفعل في حواسيب المستشفيات، قد يصبح من الممكن قرياً حماية المزيد من المرضى من الجلطات الدموية دون إضافة خطوة واحدة إضافية إلى الروتين اليومي للرعاية الطبية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →