DualStream-MTCA: A Hybrid Deep Learning Model for the Simultaneous Early Detection of Sepsis and Heart Failure in Adult Intensive Care

في بيئة وحدة العناية المركزة عالية المخاطر، يعد الوقت المورد الأكثر حرجاً. ومن أخطر الحالات التي يواجهها المرضى حالتان: إنتان الدم (Sepsis)، وهو رد فعل مهدد للحياة تجاه العدوى يمكن أن يؤدي إلى تعطل الأعضاء، وفشل القلب، وهي حالة لا يستطيع فيها القلب ضخ كمية كافية من الدم لتلبية احتياجات الجسم. غالباً ما تبدأ كلتا الحالتين بعلامات تحذيرية متشابهة: تسارع ضربات القلب، وانخفاض ضغط الدم، وسرعة التنفس. هذا التشابه يخلق معضلة خطيرة للأطباء؛ إذ إن علاجات هاتين الحالتين غالباً ما تكون متناقضة؛ فإنتان الدم يتطلب عادةً إنعاشاً مكثفاً بالسوائل للحفاظ على ضغط الدم، بينما يتطلب فشل القلب غالباً إزالة السوائل لمنع امتلاء الرئتين. وقد يكون تقديم العلاج الخاطب مميتاً. وفي الوقت الحالي، يعتمد الأطباء على أدوات منفصلة للتنبؤ بكل حالة، لكن هذه الأدوات غالباً ما تطلق جرس الإنذار بعد أن يبدأ المريض بالفعل في التدهور. ويتمثل التحدي الذي يواجه العلوم الطبية في بناء نظام يمكنه رصد كلا التهديدين مبكراً، والتمييز بينهما، وتنبيه الفريق الطبي قبل أن تصبح حالة المريض حرجة.

قام باحثون في جامعة كردستان هولير بتطوير نموذج حاسوبي جديد مصمم لحل هذه المشكلة تحديداً. فقد ابتكروا نظاماً يسمى DualStream-MTCA، والذي يعمل ككاشف للإنذار المبكر المتزامن لكل من إنتان الدم وفشل القلب. وبدلاً من النظر إلى بيانات المريض كلقطة واحدة، يحلل النموذج تاريخ علاماته الحيوية ونتائج مختبراته بمرور الوقت. وقد تم تدريبه على مجموعة بيانات ضخمة تحتوي على سجلات 53,229 مريضاً بالغاً من وحدات العناية المركزة. يعمل النظام من خلال تشغيل مسارين متوازيين من التحليل؛ حيث يراقب أحد المسارين التغيرات الساعية في العلامات الحيوية مثل معدل ضربات القلب ودرجة الحرارة على مدار الـ 48 ساعة الماضية، بينما يتتبع المسار الآخر النتائج المختبرية اليومية على مدار الأسبوع السابق. ثم يتم دمج هذين المسارين من المعلومات ومقارنتهما بآلية تسمح للنموذج برؤية كيفية تأثير العلامات الحيوية والنتائج المختبرية على بعضهما البعض. ولاتخاذ قراره النهائي، يدمج النموذج أيضاً مكوناً متخصصاً يتعلم من الأنماط في أحدث النتائج المختبرية، تماماً كما قد يزن طبيب خبير اختبار دم معين مقابل تاريخ المريض.

وعند اختباره على مجموعة من المرضى المستبعدة من نفس قاعدة البيانات التي لم يرها النموذج من قبل، حقق النظام دقة عالية؛ حيث سجل مساحة تحت المنحنى (AUC) بلغت 0.867 لإنتان الدم و0.899 لفشل القلب. وتمثل هذه الأرقام تحسناً كبيراً عن النماذج السابقة التي كانت تعالج الحالتين بشكل منفصل. ووجد الباحثون أيضاً أن النموذج كان بارعاً جداً في معرفة مدى تأكده من تنبؤاته. فمن خلال استخدام تقنية تُدخل تغييرات عشوائية صغيرة أثناء عملية اتخاذ القرار، استطاع النظام تقديم درجة ثقة تتطابق مع الواقع بشكل شبه مثالي. وهذا يعني أنه عندما يضع النموذج علامة تحذير على مريض ما، يمكن للأطباء الوثوق في الاحتمالية التي يحددها، بدلاً من التخمين فيما إذا كان التنبيه مجرد إنذار كاذب. كما نجح النموذج أيضاً في تحديد العوامل المحددة التي تقود قراراته، مثل مستويات اللاكتات وأعداد خلايا الدم البيضاء في حالات إنتان الدم، والعلامات المتعلقة بالقلب في حالات فشل القلب، مما أكد أنه يتعلم أنماطاً طبية ذات صلة وليس مجرد ضوضاء عشوائية.

ومع ذلك، فقد توخى الباحثون الحذر عند اختبار مدى فعالية هذا النظام في بيئة مستشفى مختلفة، وليس فقط في المستشفى الذي تم التدريب فيه. فعندما طبقوا النموذج على أكثر من 100,000 سجل مريض من قاعدة بيانات أخرى، كانت النتائج متباينة. ظل النظام فعالاً للغاية في التنبؤ بفشل القلب، مع انخفاض طفيف فقط في الأداء. لكن قدرته على اكتشاف إنتان الدم انخفضت بشكل ملحوظ أكثر. وقد أرجع الباحثون هذا الانخفاض إلى اختلاف في كيفية تسجيل هذين المستشفيين لبياناتهما؛ حيث كانت قاعدة البيانات الثانية تحتوي على تقارير ميكروبيولوجية مفصلة أقل بكثير، وهي تقارير حاسمة لتحديد إنتان الدم. يسلط هذا الاكتشاف الضوء على قيد واقعي: فبينما يعد النموذج قوياً، إلا أنه يعتمد على جودة ونوع البيانات المتاحة. فإذا لم يقم المستشفى بتسجيل نفس التفاصيل المحددة، فقد تتأثر دقة النموذج لحالات معينة. وتخلص الدراسة إلى أنه على الرغم من أن نهج الكشف المزدوج هذا يمثل خطوة كبيرة للأمام، إلا أنه يتطلب تكييفاً دقيقاً مع أنظمة البيانات المحلية قبل أن يمكن استخدامه لتوجيه قرارات العلاج في كل مستشفى. ويظهر هذا العمل أنه من الممكن بناء نظام واحد يراقب حالات طبية طارئة متعددة ومتضاربة في آن واحد، مما يوفر مساراً أوضح للتدخل المبكر والأكثر دقة.