Recovering Incomplete Clustered Binary Data in Longitudinal Electronic Health Records Using Multiple Imputation
تقدم هذه الورقة وتتحقق من إطار عمل "العامل اللوجستي العنقودي مع التأثيرات العشوائية" (CLF-RE) كمنهجية حسابية قابلة للتوسع للاستكمال المتعدد، والتي تستعيد بفعالية البيانات الطولية الثنائية عالية الأبعاد غير المكتملة في السجلات الصحية الإلكترونية، مما يقلل بشكل كبير من التحيز في التقديرات الوبائية مقارنة بالأساليب الحالية.
المؤلفون الأصليون:Pinyan Liu, John Rong Hao Tay, Gustavo G. Nascimento, Marco A. Peres
تخيل أنك تحاول حل أحجية صور مقطوعة (jigsaw puzzle) عملاقة، ولكن في كل مرة تنظر فيها إلى الصندوق، يكتشف شخص ما أنه قد أزال بضع قطع سرًا. في عالم العلوم الطبية، غالبًا ما تُصنع هذه الأحجيات من بيانات جُمعت من المرضى على مدار سنوات عديدة، وهي ما تُعرف بالدراسات "الطولية" (longitudinal). وأحيانًا، لا تقتន់ القطع المفقودة فحسب؛ بل تفتقد بطريقة محددة. على سبيل المثال، إذا كان لدى المريض سن تؤلمه، فقد يدونها طبيب الأسنان بعناية، أما إذا بدت السن سليمة تمامًا، فقد يتجاوز كتابتها لتوفير الوقت. هذا يخلق مشكلة "هرمية": فالبيانات ليست مجرد قائمة مسطحة؛ بل هي منظمة في طبقات. فكر في المريض كصندوق كبير، داخل هذا الصندوق توجد أسنانه، وداخل كل سن توجد نقاط صغيرة يفحص فيها طبيب الأسنان وجود أمراض اللثة. وإذا تجاوز الطبيب فحص بعض النقاط، ستصبح الصورة الكاملة لصحة المريض ضبابية. ويخشى العلماء أنه إذا حاولوا دراسة مسببات المرض باستخدام هذه الصور الضبابية، فقد يصلوا إلى استنتاجات خاطئة، كأن يعتقدوا أن عامل الخطر (مثل التدخين) أقل خطورة مما هو عليه في الواقع.
تتناول هذه الورقة نسخة محددة للغاية وعالية الخطورة من هذه الأحجية: السجلات السنية. يفحص أطباء الأسنان ما يصل إلى 192 نقطة صغيرة في فم الشخص خلال زيارة واحدة. وفي الواقع، نادرًا ما يفحصون جميع النقاط الـ 192 في كل مرة. وقد تساءل الباحثون: هل يمكننا استخدام الرياضيات لـ "تخمين" النقاط المفقودة بدقة كافية لإصلاح الصورة الضبابية؟ لقد اختبروا طريقة جديدة تسمى "الاستكمال بالعاملي اللوجستي المتكتل" (Clustered Logistic Factor - CLF). فكر في هذه الطة كأنها محقق ذكي للغاية، يعلم أنه إذا كانت نقطة واحدة في السن مريضة، فمن المرجح أن تكون النقاط المجاورة لها مريضة أيضًا، وأنه إذا كان المريض يعاني من مشا أ لثة في زيارة ما، فمن المحتمل أن يكون قد عانى منها في الزيارة الس السابق. وقارن الفريق بين هذا المحقق وبين طرق أخرى، مثل "المخمن البسيط" الذي ينظر إلى المريض ككل دون ملاحظة النقاط الصغيرة، أو "الآلة المعقدة" التي تحاول تذكر كل اتصال فردي ولكنها تصبح مثقلة جدًا بالعمليات الحسابية لدرجة أنها تنهار عندما يكون هناك عدد كبير من المرضى.
النتيجة الرئيسية هي أن "الصورة الضبابية" الناتجة عن البيانات المفقودة تمثل مشكلة خطيرة. فعندما قام الباحثون بمحاكاة البيانات المفقودة، وجدوا أن الرابط بين عوامل الخطر (مثل التدخين، والسكري، والتقدم في السن) وتطور أمراض اللثة قد ضعف بنسبة تصل إلى أربعة أضعاف. وكأن المرض كان يخفي قوته الحقيقية. ومع ذلك، عندما استخدموا طريقة المحقق الجديد (CLF) لملء النقاط المفقودة، أصبحت الصورة حادة وواضحة مرة أخرى. فقد نجحت الطريقة في استعادة القوة الحقيقية لهذه الروابط، مما قلل الخطأ بمقدار 3 إلى 15 مرة مقارنة بمجرد النظر إلى البيانات غير المكتملة.
كما تجادل الورقة صراحةً ضد بعض الأساليب الشائعة. فقد أظهرت أن طريقة بسيطة تسمى "الجيران الأقرب كـ (K-nearest neighbors)" (والتي تخمن بناءً على مدى تشابه المرضى بشكل عام) تؤدي أداءً ضعيفًا، مثل محقق يتجاهل التخطيط المحدد للأحجية. كما أثبتت أن طريقة معيارية أكثر تعقيدًا تسمى "MICE-2l.bin" (والتي تحاول مراعاة كل طبقة من الطبقات الهرمية) ثقيلة جدًا على أجهزة الكمبيوتر بحيث لا تستطيع التعامل معها عند وجود العديد من المرضى؛ إذ تنفد ذاكرتها حرفيًا وتتوقف عن العمل مع وجود أكثر من 100 شخص. ويقترح المؤلفون أنه بينما تعمل طريقة أبسط تسمى "MICE-logreg" بشكل جيد مثل طريقتهم الجديدة في التنبؤ بالنقاط الفردية، فإن طريقة CLF الجديدة هي الوحيدة التي تجمع بين الذكاء لفهم الطبيعة "المتكتلة" للأسنان والخفة التي تسمح لها بالعمل على جهاز كمبيوتر قياسي لمجموعات كبيرة من الناس.
وعندما اختبروا ذلك على بيانات حقيقية من 721 مريضًا في سنغافورة، كانت النتائج مذهلة. فقد كانت السجلات غير المكتملة تخفي الحجم الحقيقي لأمراض اللثة من النوع الخفيف إلى المتوسط. ومن خلال ملء الفجوات، وجد الباحثون أن الانتشار الفعلي لهذا المرض كان أعلى بنسبة تتراوح بين 7 إلى 11 نقطة مئوية مما أظهرته السجلات غير المكتملة. اتضح أن "البيانات المفقودة" لم تكن عشوائية؛ بل كان النظام يقلل من حساب المشكلات في مراحلها المبكرة بشكل منهجي. وتخلص الورقة إلى أنه على الرغم من أن طريقتهم ليست عصا سحرية تصلح كل شيء (فهي لا تزال تواجه صعوبة إذا كانت البيانات المفقودة مرتبطة بالمرض بطريقة تجعل الاحتمالات تكسر القواعد الرياضية)، إلا أنها أداة عملية وقابلة للتوسع، يمكنها مساعدة علماء الأوبئة على رؤية الحجم الحقيقي للمرض في السجلات الصحية الإلكترونية، مما يمنعهم من التقليل من شأن مدى سوء الأمور في الواقع.
ملخص تقني: استعادة البيانات الثنائية المجمعة غير المكتملة في السجلات الصحية الإلكترونية الطولية
بيان المشكلة تدعم السجلات الصحية الإلكترونية (EHRs) الطولية بشكل متزايد التحليلات الوبائية للنتائج السريرية عالية الأبعاد والمتكررة. ومع ذلك، يبرز تحدٍ تحليلي كبير عندما تُقاس النتائج الثنائية بشكل متكرر ضمن هياكل هرمية (مثل المواقع داخل الأسنان، أو الآفات داخل المرضى، أو المفاصل داخل الأفراد) وعندما يكون التسجيل غير مكتمل. إن تحليل الحالات المكتملة القياسي أو طرق الإسناد (imputation) التي تعامل القياسات المجمعة كقياسات مستقلة يمكن أن تؤدي إلى تحيز جوهري، مما يضعف الارتباطات بين العوامل السريعة للمخاطر السريرية (مثل التدخين، والسكري) وتطور المرض.
هناك تمييز حاسم بين الغياب الهيكلي (مثل سن مخلوع) والتسجيل غير المكتمل (مثل مواقع غير مقاسة بسبب ضيق الوقت أو عدم ارتياح المريض). وبينما لا يمكن إسناد الغيابات الهيكلية، فإن التسجيل غير المكتمل يمثل بيانات يمكن استعادتها. تفشل الطرق الحالية غالبًا في التمييز بينهما أو تفتقر إلى القابلية للتوسع في البيانات الثنائية المجمعة عالية الأبعاد (مثل قياسات مستوى الموقع البالغ عددها 192 في مخطط تتبع حالة اللثة). علاوة على ذلك، غالبًا ما تواجه طرق الإسناد المدركة للتجمعات، مثل الإسناد المتعدد عبر المعادلات المتسلسلة متعدد المستويات (MICE)، عدم جدوى حوسبية في الإعدادات عالية الأبعاد.
المنهجية قام المؤلفون بتوسيع إطار عمل إسناد العامل اللوجستي المجمع (CLF) ليشمل البيانات الهرمية الطولية. استخدمت الدراسة تصميمًا ثلاثي الأجزاء:
اختبار المحاكاة المرجعي: تم إنشاء مجموعات بيانات تضم 50، 100، أو 200 مريض، لكل منهم 3 زيارات و192 موقعًا ثنائيًا. تم إدخال فقدان البيانات تحت آليات "البيانات المفقودة عشوائيًا تمامًا" (MCAR) و"البيانات المفقودة ليس عشوائيًا" (NMAR)، مع تغيير شدة الفقد ومعدلات التسرب.
التحليل اللاحق: تم تقييم تأثير الإسناد على استعادة ارتباطات التعرض والنتيجة (العمر، التدخين، السكري مقابل تطور المرض).
التطبيق في العالم الحقيقي: طُبقت الطريقة على سجل أمراض الفم (ODR) التابع لمركز سنغافورة الوطني لطب الأسنان، والذي يضم 721 مريضًا مع مخططات طولية لحالة اللثة.
إطار عمل CLF وامتداداته
النموذج الجوهري: يجمع نموذج CLF بين نموذج متوسط لوجستي هامشي ونموذج ارتباط عملي مهيكل. يقوم بنمذجة الاحتمالية الهامشية للمرض في موقع محدد داخل عنقود (مريض-زيارة)، مع دمج متغيرات مثل العمر، التدخين، السكري، الفك، موقع السن، وموقع الموقع.
بنية الارتباط: يتم نمذجة الارتباطات الزوجية بين المواقع بناءً على القرب التشريحي (السن، التجاور، الربع). ويتم تقدير هذه المعلمات عن طريق ريجريشن (انحدار) المنتجات الزوجية للبواقي المعيارية لبيرسون.
عملية الإسناد: يتم إسناد المواقع المفقودة بالتتابع باستخدام سحبات برنولي الشرطية المستمدة من الهيكل المتوسط والتباين المقدر. ويتم نقل عدم اليقين من خلال سحب معلمات النموذج من تقريبات التوزيع الطبيعي للعينات الكبيرة عبر M=10 من عمليات الإسناد.
امتداد CLF-RE: لمراعاة التباين بين الأفراد عبر الزيارات المتكررة، تم تطوير امتداد التقاطع العشوائي على مستوى المريض (CLF-RE) باستخدام نموذج خطي عام معمّم (GLMM). إذا كان تباين التأثير العشوائي ضئيلاً، يعود النموذج إلى النموذج الخطي العام (GLM) القياسي.
المقارنات تمت مقارنة طرق CLF وCLF-RE مع:
MICE-logreg: طريقة MICE القياسية مع الانحدار اللوجستي، والتي تعامل المواقع كمتغيرات مستقلة (متجاهلة التجميع).
MICE-2l.bin: طريقة الإسناد الثنائي متعدد المستويات التي تنمذج صراحةً عن عنقود (المريض-الزيارة) كمستوى ثاني.
KNN: طريقة "أقرب الجيران" للإسناد بناءً على مسافة المتغيرات التفسيرية.
النتائج الرئيسية
تخفيف التحيز: أدى التسجيل غير المكتمل إلى تحيز كبير في التحليلات اللاحقة. في سيناريوهات MCAR، أدت البيانات المرصودة إلى إضعاف ارتباطات التدخين والسكري والعمر بتطور المرض بما يصل إلى أربعة أضعاف. نجح CLF-RE في استعادة معظم هذا التخفيف، حيث قلل التحيز بمقدار 3 إلى 15 ضعفًا مقارنة بالبيانات المرصودة.
مقاييس الأداء:
حققت طرق CLF وCLF-RE وMICE-logreg أداءً متقاربًا، محققة تمييزًا على مستوى الموقع (AUC 0.77–0.85) وقللت من تحيز عبء المرض على مستوى المريض من -77 إلى -117 موقعًا (مرصود) إلى ضمن نطاق ±7–13 موقعًا بعد الإسناد.
أدى KNN أداءً ضعيفًا (AUC 0.57–0.72).
حققت MICE-2l.bin تمييزًا متوسطًا (AUC 0.72) ولكنها واجهت عدم جدوى حوسبية لأحجام العينات التي تتجاوز 100 فرد في الإعدادات عالية الأبعاد بسبب فشل تخصيص الذاكرة.
التطبيق في العالم الحقيقي: في سجل طب الأسنان في سنغافورة، أدى التخطيط غير المكتمل إلى التقليل من تقدير انتشار عبء المرض الخفيف إلى المتوسط بنسبة 7-11 نقطة مئوية. صحح الإسناد هذا النقص في التقدير، خاصة في مراحل المرض المبكرة، بينما تغيرت تقديرات المرض الشديد بشكل طفيف.
القابلية للتوسع: توسع CLF وCLF-RE بفعالية لتشمل أحجام عينات تزيد عن 200 مريض، بينما فشلت MICE-2l.bin بعد n=100.
الأهمية والادعاءات يزعم البحث أن إطار عمل CLF يوفر نهج إسناد متعدد قابل للتوسع حوسبيًا خصيصًا للدراسات الوبائية الطولية ذات النتائج الثنائية المجمعة عالية الأبعاد. تكمن أهميته الأساسية في معالجة الفجوة المنهجية حيث تكون الطرق متعددة المستويات المناسبة نظريًا (مثل MICE-2l.bin) غير عملية حوسبيًا.
يشير المؤلفون إلى أنه بينما قدمت CLF وMICE-logreg القياسية أداءً متشابهًا في عمليات المحاكاة—على الأرج� لأن مجموعات المتغيرات الغنية (موقع السن، الفك، موقع الموقع) قد التقطت معظم الاعتماد المكاني—فإن إطار CLF يقدم ميزة متميزة من خلال احترام التجميع صراحةً مع البقاء قابلاً للتنفيذ في البيانات واسعة النطات وعالية الأبعاد. ويخلص البحث إلى أن التسجيل غير المكتمل في السجلات الصحية الإلكترونية الهرمية يقلل بشكل منهجي من تقدير عبء المرض ويضعف ارتباطات عوامل الخطر، وأن الإسناد المدرك للتجمعات ضروري لاستعادة هذه التقديرات، خاصة في الحالات التي تفشل فيها البدائل متعددة المستويات بسبب القيود الحوسبية. ويقترح المؤلفون أن إطار العمل قد يكون قابلاً للتطبيق على نطاق واسع في إعدادات أخرى للسجلات الصحية الإلكترونية ذات القياسات الهرمية المتكررة (مثل طب العيون أو طب الروماتيزم)، رغم أن التحقق التجريبي في هذه المجالات يظل مهمة مستقبلية.