← أحدث الأبحاث
📄 medicine

Explainable machine learning for clinical phenotyping and mortality prediction in critically ill patients with cancer

استخدمت هذه الدراسة الاسترجاعية متعددة المراكز قاعدتي بيانات MIMIC-IV وeICU لتحديد أربعة أنماط ظواهر سريرية متميزة وتطوير نموذج XGBoost قابل للتفسير يتنبأ بفعالية بالوفاة المبكرة داخل المستشفى لدى مرضى السرطان ذوي الحالات الحرجة باستخدام البيانات السريرية المتاحة روتينياً خلال أول 24 ساعة.

المؤلفون الأصليون: Yuanyuan zhang, Haiqing Wang

نُشر 2026-08-27
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yuanyuan zhang, Haiqing Wang

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

عندما يواجه مريض مصاب بالسرطان أزمة مفاجئة تهدد حياته في وحدة العناية المركزة، يجد الفريق الطبي نفسه أمام لغز صعب. فهؤلاء المرضى ليسوا مجموعة واحدة؛ إذ يصلون بأنواع مختلفة من الأورام، ومستويات متفاوتة من القوة البدنية، وردود فعل فريدة تجاه علاجاتهم. وبسبب هذا التنوع، غالبًا ما تفشل الأدوات التقليدية المستخدمة لقياس مدى خطورة حالة المريض في التنبؤ بمن سيعيش ومن لن يعيش. تفترض هذه الأدوات التقليدية أن الجسم يستجيب للمرض في خط مستقيم يمكن التنبؤ به، لكن الواقع بالنسبة لمرضى السرطان أكثر تشابكًا بكثير؛ حيث تقاتل أجسادهم السرطان، والآثار الجانبية للعلاج، والأزمة الحادة في آن واحد. لذا، يحتاج الأطباء إلى وسيلة لاختراق هذا التعقيد لتحديد المرضى الذين يُحتمل تعافيهم من خلال الرعاية المركزة، وأولئك الذين يقترون بنهاية الحياة، مما يضمن استخدام الموارد بحكمة وتقديم توجيهات صادقة للعائلات.

ولحل هذه المعضلة، لجأ باحثون من مستشفى "ويفانغ" الشعبي إلى مجموعة ضخمة من السجلات الطبية الواقعية لأكثر من 24,000 مريض سرطان في حالة حرجة في جميع أنحاء الولايات المتحدة. لم يطلبوا من الأطباء تخمين الأنماط، بل تركوا برنامجًا حاسوبيًا يصنف المرضى إلى مجموعات بناءً على البيانات نفسها تمامًا. وباستخدام طريقة تسمى "التجميع غير الخاضع للإشراف" (unsupervised clustering)، نظر الكمبيوتر في 28 قياسًا روتينيًا تم أخذها خلال أول 24 ساعة من إقامة المريض، مثل معدل ضربات القلب، وسرعة التنفس، ونتائج فحوصات الدم. ودون أي تعليمات بشرية حول ما يجب البحث عنه، اكتشفت الخوارزمية أربعة أنواع متميزة من المرضى. كانت المجموعة الأولى كبيرة ومستقرة نسبيًا، تظهر علامات إجهاد طفيفة وخطرًا منخفضًا للوفاة في المستشفى. وأظهرت المجموعتان التاليتان مستويات متزايدة من إجهاد الأعضاء وخطر وفاة متوسط. أما المجموعة الأخيرة فكانت الأصغر حجمًا ولكنها الأكثر خطورة؛ حيث كان هؤلاء المرضى في حالة فشل حاد في أعضاء متعددة، ويعتمدون بشكل كبير على الأجهزة للتنفس وعلى الأدوية للحفاظ على ضغط دمهم، مع معدل وفيات يقترب من 50 بالمائة. يشير هذا الاكتشاف إلى أنه حتى داخل مزيج فوضوي من مرضى السرطان، توجد أنماط واضحة من التدهور يمكن رصدها مبكرًا.

قام الباحثون بعد ذلك ببناء أداة تنبؤ جديدة لتوقع من سينجو. واستخدموا نوعًا قويًا من تعلم الآلة يسمى "XGBoost"، وهو مصمم للتعامل مع العلاقات المعقدة وغير الخطية في البيانات، على عكس أنظمة التسجيل القديمة التي تعتمد على رياضيات بسيطة وخطية. تعلم الكمبيوتر من مجموعة المرضى الأولى، ثم تم اختباره على مجموعة منفصلة تمامًا من مستشفيات مختلفة لمعرفة مدى قدرته على الصمود في العالم الحقيقي. وكانت النتيجة نموذجًا أدى أداءً أفضل بكثير من درجات الخطورة القياسية المستخدمة حاليًا في المستشات؛ فقد ميز بدقة عالية بين الناجين وغير الناجين، مما أثبت قدرته على تعلم الطرق الدقيقة والمعقدة التي تفشل بها أجساد هؤلاء المرضى.

والأهم من ذلك، أن الفريق لم يتوقف عند حد التنبؤ بـ "الصندوق الأسود" الذي يعطي رقمًا فحسب، بل استخدموا تقنية تسمى "SHAP" لفتح هذا الصندوق وشرح سبب اتخاذ الكمبيوتر لقراراته. كشف هذا التحليل أن أهم العوامل التي تدفع التنبؤ بالوفاة لم تكن مجرد السرطان نفسه، بل علامات محددة لصراع الجسم: مستويات عالية من نيتروجين يوريا الدم، والتنفس السريع، والحاجة إلى التنفس الاصطناعي، واستخدام الأدوية لدعم ضغط الدم. كما أظهر التفسير أن هذه المخاطر لا ترتفع في خط مستقيم؛ فعلى سبيل المثال، قد يزدل معدل تنفس المريض قليلًا دون خطر فوري، ولكن بمجرد تجاوزه عتبة معينة، يقفز خطر الوفاة بشكل حاد. وبالمثل، قد تكون مستويات نيتروجين يوريا الدم تحت السيطرة في البداية، لكنها تشير إلى أزمة أكثر خطورة بمجرد دخولها نطاقًا أعلى. تقدم هذه النتائج للأطباء صورة أوضح لنقاط التحول التي تتحول فيها حالة المريض من حالة يمكن السيطرة عليها إلى حالة حرجة.

وبينما تقدم الدراسة طريقة واعدة لفهم وتوقع النتائج لهؤلاء المرضى الضعفاء، يوضح المؤلفون بحذر أن هذا يمثل نقطة انطلاق وليس حلاً نهائيًا. فقد بُني النموذج على بيانات من مستشفيات أمريكا الشمالية ويعتمد على المعلومات المتاحة خلال اليوم الأول من الدخول. وهو لا يأخذ في الاعية بعد التفاصيل الجينية المحددة للأورام أو التاريخ الكامل لعلاج السرطان لدى المريض. ويقترح الباحثون أن هذه الأداة يمكن أن تساعد الفرق السريرية في إجراء محادثات أكثر استنارة مع العائلات حول أهداف العلاج، مما يساعد على تجنب الرعاية غير المجدية لمن هم أشد مرضًا من القدرة على التعافي، مع ضمان حصول أولئك الذين يمكنهم الاستفادة على الرعاية اللازمة. إن هذا العمل يثبت أنه من خلال الاستماع إلى البيانات بدلاً من إجبارها على القوالب القدية، يمكن للطب أن يبدأ في رؤية الطبيعة الحقيقية والمعقدة للمرض الحرج لدى مرضى السرطان.

غارق في أبحاث مجالك؟

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

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 📄 medicine →