Development and interpretation of an XGBoost-based model for predicting prolonged ICU stay in patients with acute exacerbation of chronic obstructive pulmonary disease

تُعد المستشفيات أماكن يمثل فيها الوقت مورداً حيوياً، وبالنسبة للمرضى الذين يعانون من صعوبات شديدة في التنفس، فإن طول فترة إقامتهم غالباً ما يشير إلى مدى تعقيد رحلة تعافيهم. فعندما يعاني شخص من تفاقم حاد لمرض الانسداد الرئوي المزمن، وهو حالة تجعل التنفس صعباً على مدى فترة طويلة، فإنه غالباً ما يُنقل إلى وحدة العناية المركزة. وبينما يتعافى الكثيرون ويغادرون في غضون أسبوع أو نحو ذلك، يظل عدد كبير منهم في المستشفى لفترات أطول بكثير. ولا يعد هذا البقاء الممتد مجرد مسألة عدم راحة؛ بل إنه يستهلك كميات هائلة من الموارد الطبية ويضع عبئاً مالياً ثقيلاً على أنظمة الرعاية الصحية. لقد كان التحدي الذي يواجه الأطباء هو التنبؤ، فور وصول المريض، بمن يُحتمل أن يواجه هذا التعافي المطول. ولسنوات، اعتمدت الفرق الطبية على الخبرة العامة وقوائم التحقق القياسية، لكن جسم الإنسان معقد للغاية بحيث لا تستطيع القواعد البسيطة استيعاب كل المخاطر.

وفي السنوات الأخيرة، ظهر نهج جديد يعامل البيانات الطبية كأنها مشهد طبيعي شاسع يجب رسم خرائطه. فبدلاً من النظر إلى عرض واحد في كل مرة، يستخدم الباحثون برامج حاسوبية قادرة على إيجاد أنماط دقيقة عبر عشرات المؤشرات الصحية المختلفة في آن واحد. ويمكن لهذه البرامج أن تزن كيفية تفاعل كيمياء دم المريض، ووظائف قلبه، ومستويات تنفسه مع بعضها البعض للتنبؤ بالمستقبل. والهدف ليس استبدال الطبيب، بل توفير صورة أوضح مدعومة بالبيانات لما ينتظر المريض، مما يسمح بتدخلات مبكرة وأكثر استهدافاً. ومن خلال فهم العوامل المحددة التي تدفع المريض نحو إقامة طويلة في المستشفى، يمكن للأطباء نظرياً تعديل خطط العلاج في وقت مبكر، مما يجنب المرضى الوقت غير الضروري في المستشفى ويوفر الأسرة لأولئك الذين هم في أمس الحاجة إليها.

وقد وضع فريق من الباحثين في المستشفى التابع لجامعة شاندونغ الطبية هدفاً لبناء أداة تنبؤية مخصصة للمرضى الذين يعانون من تفاقمات تنفسية شديدة. حيث جمعوا السجلات الطبية لـ 520 شخصاً بالغاً تم إدخالهم إلى وحدة العناية المركزة على مدار فترة خمس سنوات. وجمع الفريق مجموعة واسعة من المعلومات المتاحة خلال اليوم الأول من الإدخال، بما في ذلك عمر المريض، وتاريخه الطبي، وعلاماته الحيوية، ومجموعة شاملة من نتائج المختبر. ثم قسموا هؤلاء المرضى إلى مجموعتين: أولئك الذين بقوا في المستشفى لمدة قياسية، وأولئك الذين بقوا لفترة أطول. وباستخدام طريقة إحصائية لتصفية المعلومات الأقل أهمية، قاموا بتضييق القائمة الواسعة من القرائن المحتملة إلى أقوى خمسة مؤشرات. ثم تم تغذية هذه العوامل الخمسة في نموذج حاسوبي متطور مصمم للتعلم من البيانات وإجراء التنبؤات.

وقد أثبت النموذج الذي بنوه دقة ملحوظة. فعند اختباره على البيانات التي تعلم منها، نجح في تحديد كل مريض تقريباً ممن سيبقون لفترة أطول، وعند اختباره على مجموعة جديدة من المرضى لم يسبق له رؤيتها، ظل يعمل بموثوقية عالية. وقد تمكن النظام من التمييز بين الإقامات القصيرة والطويلة بمستوى من الدقة يتجاوز بكثير الطرق التقليدية. والأهم من ذلك، أن الباحثين لم يكتفوا بجعل الكمبيوتر يخمن ويخفي السبب؛ بل استخدموا تقنية لفتح "الصندوق الأسود" للنموذج، وكشفوا بالضبط عن العوامل التي كانت تقود التنبؤ لكل فرد. وقد سمحت هذه الشفافية لهم برؤية أن النموذج لم يكن مجرد تخمين، بل كان يعتمد على إشارات بيولوجية محددة وقابلة للقياس لاتخاذ قراراته.

وكانت العوامل الخمسة الرئيسية التي حددها النموذج كأقوى مؤشرات للإقامة الطويلة هي: بروتين مرتبط بتجلط الدم، وعلامة على إجهاد عضلة القلب، ومقياس لثاني أكسيد الكربون في الدم، وتاريخ من أمراض القلب المرتبطة بمشاكل الرئة، وبروتين يشير إلى الالتهاب في الجسم. وحدد النموذج أن مستوى بروتين التجلط كان العامل الأكثر تأثيراً بمفرده؛ فعندما يكون هذا البروتين مرتفعاً، فإنه يشير إلى جسم تحت إجهاد كبير، وغالباً ما يرتبط بخطر ارتفاع احتمالية الإصابة بجلطات الدم وضعف تبادل الأكسجين، مما يطيل طبيعياً الوقت اللازم للتعافي. وبالمثل، فإن وجود علامات إجهاد القلب وتاريخ من أمراض القلب والرئة يشير إلى أن جسم المريض يكافح للتعامل مع العبء الإضافي لأزمة التنفس. كما أظهرت المستويات العالية من ثاني أكسيد الكربون في الدم أن الرئتين تفشلان في التخلص من غاز النفايات بفعالية، بينما تشير مستويات الالتهاب العالية إلى رد فعل جهازي شديد تجاه العدوى أو النوبة.

وما يجعل هذا العمل قيماً بشكل خاص هو كيفية ترجمة هذه الإشارات البيولوجية المعقدة إلى صورة واضحة للطبيب. فمن خلال تصور كيفية مساهمة كل عامل من هذه العوامل الخمسة في التنبؤ النهائي، أظهر الباحثون أن المريض الذي يعاني من مستويات عالية من بروتين التجلط وعلامات إجهاد القلب، بالإضافة إلى تاريخ من أمراض القلب والرئة، سيكون من المؤكد تقريباً أنه سيواجه إقامة طويلة. وعلى العكس من ذلك، فإن المريض الذي لديه مستويات أقل من هذه العلامات من المرجح أن يتعافى بسرعة أكبر. ويتجاوز هذا النهج مجرد التنبؤ بـ "نعم أو لا"؛ فهو يشرح "السبب" وراء التوقع. وقد أشار الباحثون إلى أن نموذجهم بُني على بيانات من مستشفى واحد واعتمد فقط على المعلومات المتاحة عند لحظة الإدخال، مما يعني أنه لم يأخذ في الاعتبار كيف قد تتغير حالة المريض أثناء العلاج. ورغم أن النتائج كانت قوية، فقد أقر الفريق بأن النموذج يحتاج إلى الاختبار على مرضى من مستشفيات ومناطق مختلفة لضمان عمله بشكل عالمي.

وتخلص الدراسة إلى أنه من خلال الجمع بين التعلم الحاسوبي المتقدم والفهم الواضح للبيولوجيا الكامنة، يمكن إنشاء نظام إنذار مبكر موثوق لإقامات المستشفى. ولا يدعي النموذج علاج المرض أو التنبؤ بالمستقبل بيقين مطلق، ولكنه يقدم وسيلة قائمة على أسس علمية لتقييم المخاطر في بداية رحلة المريض. ويقترح الباحثون أنه في المستقبل، يمكن دمج مثل هذه الأداة مباشرة في أنظمة المستشفيات، لتزويد الأطباء بتقييمات مخاطر فورية وشخصية في اللحظة التي يصل فيها المريض. وهذا من شأنه أن يسمح للفرق الطبية بتخصيص الموارد بكفاءة أكبر وتكييف خطط العلاج وفقاً للاحتياجات المحددة لكل فرد، مما قد يقلل من الوقت الذي يقضيه المرضى في المستشفى ويحسن نتائجهم الإجمالية. ويقف هذا العمل كدليل على كيفية تسخير علم البيانات الحديث لجلب الوضوح إلى الطبيعة المعقدة، وغير المتوقعة غالباً، لأمراض الجهاز التنفسي الشديدة.