Machine learning models for predicting multidrug-resistant organism infections after invasive procedures in intensive care unit patients: a retrospective study based on the MIMIC-IV database
طورت هذه الدراسة الاسترجاعية، التي استخدمت قاعدة بيانات MIMIC-IV، وخارطت بين خمسة نماذج للتعلم الآلي للتنبؤ بعدوى الكائنات الحية الدقيقة متعددة المقاومة للأدوية لدى مرضى العناية المركزة الذين يخضعون لإجراءات تداخلية، حيث حددت نموذج تعزيز التدرج الفائق (XGB) كأداة مثالية بمساحة تحت المنحنى (AUC) بلغت 0.751 لتقييم المخاطر المبكر بناءً على عوامل رئيسية مثل طول مدة الإقامة في العناية المركزة واستخدام المضادات الحيوية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تسير في مستشفى ضخم وعالي التقنية، ولكن بدلاً من رؤية الأطباء والممرضات فقط، ترى مدينة صاخبة من الغزاة غير المرئيين. بعض هؤلاء الغزاة يشبهون اللصوص العاديين، لكن آخرين هم "لصوص خارقون" يرتدون دروعاً تجعلهم محصنين ضد كل الأسلحة (المضادات الحيوية) الموجودة في ترسانة المستشفى. يُطلق عليهم اسم الكائنات متعددة المقاومة للأدوية (MDROs). إنهم كابوس للمرضى في وحدة العناية المركزة (ICU)، وهي الحي الأكثر حرجاً في المستشفى. ولمساعدة المرضى الأكثر مرضاً، يضطر الأطباء غالاً إلى استخدام "إجراءات جراحية غازية" — فكر في هذه الإجراءات كأدوات خاصة مثل أنابيب التنفس، أو خطوط المحاليل الوريدية، أو القساطر التي تدخل داخل الجسم. وبينما تنقذ هذه الأدوات الأرواح، إلا أنها تفتح بالخطأ الباب الأمامي أمام اللصوص الخارقين للتسلل للداخل.
السؤال الكبير الذي يسأله العلماء هو: "كيف يمكننا التنبؤ بالمرضى الذين أوشكوا على التعرض لهجوم من هؤلاء اللصوص الخارقين قبل حدوث ذلك؟" لفترة طويلة، استخدم الأطباء قوائم مراجعة بسيطة، مثل النظر إلى بعض العلامات الأساسية لتخمين الخطر. لكن جسم الإنسان آلة معقدة، والعلاقة بين تاريخ المريض، وفحوصات دمه، والأدوات التي يستخدمها تشبه عقدة متشابكة من خيوط السباغيتي لا تستطيع قوائم المراجعة البسيطة فك تشابكها. وهنا يأتي دور نوع جديد من المحققين: تعلم الآلة (Machine Learning). فكر في تعلم الآلة كعقل كمبيوتر فائق الذكاء يمكنه قراءة ملايين السجلات الطبية، ورصد الأنماط الخفية التي قد تفوت البشر، والتعلم من أخطائه ليصبح أفضل في تخمين المستقبل. إذا تمكنا من بناء "محقق خارق" جيد حقاً، فيمكننا تحذير الأطباء مبكراً، مما يسمح لهم بإغلاق الأبواب وحماية المرضى الأكثر عرضة للخطر.
هذه الدراسة تدور حول بناء ذلك المحقق الخارق. قرر الباحثون، الذين عملوا مع مكتبة رقمية ضخمة من السجلات الطبية تسمى MIMIC-IV (والتي تحتوي على بيانات من أكثر من 60,000 مريض سابق في العناية المركزة)، اختبار خمسة أنواع مختلفة من نماذج تعلم الآلة. أرادوا معرفة أي نموذج هو الأفضل في التنبؤ بما إذا كان المريض الذي يستخدم أدوات جراحية غازية سيصاب بعدوى من الكائنات متعددة المقاومة للأدوية. لقد غذوا الكمبيوتر ببيانات عن كل شيء، بدءاً من عمر المريض وضغط الدم وصولاً إلى مدة بقائهم في العناية المركزة وعدد الساعات التي قضونها في تناول المضادات الحيوية.
بعد تدريب هذه الأدمغة الرقمية، وجد الباحثون أن نموذجاً واحداً، يسمى "XGB" (اختصار لـ Extreme Gradient Boosting)، كان الفائز الواضح. لقد كان مثل اللاعب النجم في فريق رياضي، حيث تفوق على النماذج الأربعة الأخرى. حقق نموذج XGB هذا درجة قدرها 0.751 على مقياس كلما زادت الدرجة كان الأداء أفضل، مما يعني أنه كان جيداً جداً في رصد الخطر. لم يكن يخمن عشوائياً؛ بل تعلم الانتباه إلى أدلة محددة. اكتشف النموذج أن أكبر العلامات التحذيرية للعدوى كانت: مدة بقاء المريض في العناية المركزة، وإجمالي عدد الساعات التي قضاها في تناول المضادات الحيوية، وما إذا كان لديه خط مركزي (وريد خاص في الرقبة) مزروع، ودرجة شدة حالته (وهو رقم يوضح مدى سوء حالته الصحية)، وعمره.
لم يكتف الباحثون بمجرد قول "الكمبيوتر خمن بشكل صحيح"، بل أرادوا معرفة لماذا اعتقد الكمبيوتر ذلك. وباستخدام أداة خاصة تسمى SHAP، قاموا بتقشير طبقات النموذج لرؤية طريقة تفكيره. وجدوا أن بقاء المريض لفترة أطول في العناية المركزة وزيادة ساعات تناول المضادات الحيوية تزيد من خطر الإصابة بالعدوى. الأمر كما لو أن النموذج تعلم أن البقاء في المستشفى لفترة طويلة وتناول الكثير من المضادات الحيوية يضعف الدفاعات الطبيعية للجسم، مما يسهل على اللصوص الخارقين التحرك للداخل. ومن المثير للاهتمام أن النموذج لاحظ أيضاً أن المستويات العالية من الهيموجلوبين (وهو بروتين في الدم يحمل الأكسجين) يبدو أنها تقلل من خطر الإصابة، وكأنها تعمل كدرع واقٍ.
ومع ذلك، فإن المؤلفين حذرون في إخبارنا بأن هذا ليس عصا سحرية تحل كل شيء بعد. فقد اعترفوا بأن "المحقق الخارق" الخاص بهم قد تم تدريبه على بيانات من نظام مستشفيات واحد فقط، لذا قد يحتاج إلى المزيد من التدريب ليعمل بشكل مثالي في أجزاء مختلفة من العالم أو على مجموعات مختلفة من الناس. أيضاً، ولأن حالات العدوى نادرة نسبياً مقارنة بحالات عدم الإصابة، فإن النموذج يخطئ أحياناً في بعض الحالات، رغم أنه لا يزال جيداً جداً في أداء مهمته. تشير الدراسة إلى أن نموذج XGB هذا هو أداة جديدة قوية يمكنها مساعدة الأطباء في تحديد من يحتاج إلى حماية إضافية، ولكنه يحتاج إلى الاختبار في سيناريوهات واقعية عبر العديد من المستشفيات قبل أن يصبح جزءاً قياسياً من الرعاية اليومية. في الوقت الحالي، يمثل خطوة واعدة نحو استخدام الحواسيب الذكية للحفاظ على سلامة أكثر مرضانا عرضة للخطر من هؤلاء اللصوص الخارقين غير المرئيين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.