Predicting Cervical Cancer Screening Utilization Among Women of Reproductive Age in Ethiopia Using Supervised Machine Learning: A Nationally Representative 2024/25 EDHS Study

يمكن منع سرطان عنق الرحم قبل أن يصبح مميتاً، ومع ذلك لا يزال سبباً رئيسياً لوفاة النساء في أجزاء كثيرة من العالم. الحل بسيط في مفهومه ولكنه صعب في ممارسته: يسمح الفحص المنتظم للأطباء بالعثور على العلامات المبكرة للمرض وعلاجها قبل ظهور الأعراض بفترة طويلة. وفي الدول الغنية، جعلت البرامج المنظمة هذا الفحص روتيناً، مما قلل الوفيات بشكل كبير. ومع ذلك، في بلدان مثل إثيوبيا، حيث الموارد محدودة والمجتمعات شاسعة، يمثل وصول النساء إلى خدمات الفحص هذه تحدياً هائلاً. وتعتمد الجهود الحالية غالباً على مناهج عامة لا تراعي الفروق الفردية، مما يؤدي إلى تفويت النساء اللواتي يحتجن للمساعدة أكثر من غيرهن. ولحل هذه المشكلة، يتجه الباحثون إلى نوع مختلف من الأدوات: النماذج الحاسوبية التي تتعلم من البيانات للتنبؤ بالسلوك البشري. هذه النماذج لا تخمن؛ بل تحلل آلاف السجلات الماضية لإيجاد الأنماط الخفية فيما يجعل المرأة تسعى للحصول على الرعاية أو تبتعد عنها.

قام فريق من الباحثين في إثيوبيا مؤخراً بتطبيق هذا النهج على سؤال بالغ الأهمية: من بين ملايين النساء في سن الإنجاب في البلاد، من هي الأكثر عرضة لتجاهل فحص سرطان عنق الرحم، ولماذا؟ وباستخدام أحدث مسح صحي وطني، والذي جمع معلومات من أكثر من 15,000 امرأة من جميع أنحاء البلاد، بنوا نظاماً حاسوبياً متطوراً مصمماً لتعلم الأسباب المعقدة وراء قرارات الفحص. وبدلاً من الاعتماد على قواعد بسيطة، قام الفريق بتدريب ستة أنواع مختلفة من خوارزميات التعلم، لتعليمها كيفية التعرف على التوليفات الدقيقة للعوامل — مثل التعليم، والثروة، والوصول إلى المعلومات — التي تدفع المرأة لإجراء الفحص. لم يكن الهدف مجرد فهم الماضي، بل إنشاء أداة موثوقة يمكنها مساعدة العاملين في مجال الصحة في المستقبل لتحديد النساء اللواتي لم يخضعن للفحص أبداً واستهدافهن بالدعم المناسب.

بدأت الدراسة بمجموعة بيانات ضخمة تمثل السكان في إثيوبيا، تلتقط تفاصيل تتراوح من عمر المرأة ومكان سكنها إلى معرفتها بالمرض وقدرتها على اتخاذ قراراتها الصحية الخاصة. ووجد الباحثون أن معدل الفحص الوطني منخفض بشكل مثير للقلق، حيث أن حوالي 4 بالمائة فقط من النساء خضعن للفحص على الإطلاق. وهذا يعني أنه مقابل كل 100 امرأة في الدراسة، لم تتلقَ 96 امرأة هذا الفحص المنقذ للحياة. وكشفت البيانات عن انقسامات صارخة: فالنساء في المدن كنّ أكثر عرضة للفحص من النساء في القرى الريفية، والنساء ذوات التعليم العالي أو الثروة العالية كنّ أكثر عرضة للوصول إلى الخدمات مقار๋ بغيرهن. والأهم من ذلك، وجد الباحثون أن معرفة سرطان عنق الرحم كانت أقوى مؤشر على ما إذا كانت المرأة ستجري الفحص، ومع ذلك فإن الغالبية العظمى من النساء في الدراسة لم يسمعن بالمرض قط.

ولفهم هذه الأنماط المعقدة، اختبر الباحثون عدة طرق مختلفة للتعلم الحاسوبي. ووجدوا أن نوعاً معيناً من الخوارزميات المتقدمة، المعروف باسم تعزيز التدرج الشديد (extreme gradient boosting)، كان متفوقاً بمراحل على الأساليب الإحصائية التقليدية المستخدمة عادة في الصحة العامة. وبينما يمكن للأساليب القياسية تحديد الاتجاهات العامة، استطاع هذا النموذج المتقدم رؤية الشبكة المعقدة من العوامل التي تؤثر على قرار المرأة. فعلى سبيل المثال، تعلم النموذج أن التعليم وحده لم يكن كافياً؛ إذ تضاعفت فائدة التعليم عندما تكون المرأة تعيش أيضاً في منطقة حضرية. وبالمثل، فإن معرفة المرض لم تؤدِ إلى الفحص إلا عندما تمتلك المرأة أيضاً القدرة على اتخاذ قراراتها الصحية دون الحاجة إلى إذن من شريكها. وكان النموذج دقيقاً للغاية لدرجة أنه استطاع التمييز بين النساء اللواتي خضعن للفحص واللواتي لم يخضعن له بمستوى من الدقة يتجاوز بكثير المحاولات السابقة.

كانت إحدى أهم الخطوات التي اتخذها الفريق هي ضمان أن تكون تنبؤات الكمبيوتر صادقة وموثوقة. فغالباً ما تصبح النماذج الحاسوبية المعقدة مفرطة في الثقة، حيث تتنبأ باحتمالات عالية جداً أو منخفضة جداً. استخدم الباحثون تقنية تسمى "المعايرة" (calibration) لضبط مخرجات النموذج، مما يضمن أنه إذا تنبأ النموذج باحتمالية 10 بالمائة لخضوع امرأة للفحص، فإن هذه الاحتمالية تطابق الواقع. وبعد هذا التعديل، أصبح النموذج دليلاً جديراً بالثقة. فقد أظهر أنه من خلال التركيز على أسئلة محددة وغير اقتحامية — مثل ما إذا كانت المرأة قد سمعت عن المرض، وما إذا كانت قد زارت عيادة مؤخراً، ومدى قدرتها على اتخاذ قراراتها الصحية الخاصة — يمكن للعاملين في مجال الصحة تحديد النساء المعرضات لخطر عدم إجراء الفحص بدقة.

استخدمت الدراسة أيضاً طريقة لشرح كيف وصل الكمبيوتر إلى استنتاجاته بالضبط، من خلال تفكيك "الصندوق الأسود" للخوارزمية لإظهار المنطق البشري وراء الأرقام. وأكد هذا التحليل أن أقوى الدوافع للفحص كانت الوعي بالمرض، والحصول على تعليم ثانوي أو عالٍ، والحرية في اتخاذ القرارات الصحية الخاصة. كما سلط الضوء على أن التواصل الأخير مع النظام الصحي، مثل زيارة عيادة لتطعيم طفل أو لرعاية ما قبل الولادة، كان إشارة قوية على أن المرأة مستعدة لإجراء فحص سرطان عنق الرحم. تشير هذه النتائج إلى أن حواجز الفحص ليست مجرد مسافة أو تكلفة، بل هي متجذرة بعمق في المعرفة، والاستقلالية، وهيكل الحياة اليومية.

يقترح الباحثون إمكانية دمج هذا النموذج الحاسوبي المعاير مباشرة في الأجهزة اللوحية التي يستخدمها آلاف العاملين في مجال الصحة المجتمعية في إثييا. فبينما يقوم هؤلاء العاملون بزيارات منزلية، يمكنهم إدخال إجابات بسيطة لعدد قليل من الأسئلة، وسيقوم النظام فوراً بتحديد النساء اللواتي لم يخضعن للفحص أبداً مع شرح السبب. وبدلاً من التخمين بشأن الأسر التي يجب منحها الأولوية، يمكن للعاملين في مجال الصحة تركيز وقتهم ومواردهم المحدودة على النساء اللواتي يحتجن إليهن أكثر، وتقديم نصائح مخصصة وترتيبات الإحالة. ينقل هذا النهج الصحة العامة من جهد واسع النطاق ومشتت إلى استراتيجية دقيقة ومستهدفة. ومن خلال استخدام البيانات لفهم العوائق المحددة التي تواجه كل امرأة، يمكن للبلاد أن تبدأ في سد الفجوة بين النساء المحميات وأولئك اللواتي يظللن عرضة للخطر، وتحويل نموذج إحصائي معقد إلى أداة عملية لإنقاذ الأرواح.