Beyond Single-Score Matching: A Two-Dimensional Propensity Score Method for Mixed Covariate Types

تخيل أنك محقق يحاول حل لغز: هل ساعد الدواء الجديد المرضى حقاً، أم أنهم تحسنوا من تلقاء أنفسهم فحسب؟ في عالم العلم المثالي، ستجري "تجربة سريرية عشوائية"، حيث تقلب عملة معدنية لتقرر من يحصل على الدواء ومن يحصل على حبة سكر (دواء وهمي). يضمن ذلك أن المجموعتين توأمان متطابقان في كل شيء، بحيث يكون أي فرق في الصحة ناتجاً عن الدواء نفسه. ولكن في العالم الحقيقي، لا يمكننا دائماً قلب العملات. فأحياناً يكون الأمر مكلفاً للغاية، أو خطيراً جداً، أو بطيئاً للغاية. لذا، يلجأ العلماء إلى "الدراسات الرصدية"، حيث ينظرون إلى سجلات رقمية ضخمة للمرضى الذين تناولوا الدواء بالفعل مقابل أولئك الذين لم يتناولوه.

المشكلة هي أن هذه المجموعات في العالم الحقيقي ليست توائم. فالأشخاص الذين تناولوا الدواء قد يكونون أصغر سناً، أو أكثر ثراءً، أو أكثر مرضاً منذ البداء. وهذا ما يسمى "تحيز المتغيرات المربكة". ولإصلاح ذلك، يستخدم العلماء حيلة ذكية تسمى "مطابقة درجة الميل" (Propensity Score Matching - PSM). فكر في الأمر كأنه تطبيق مواعدة للبيانات؛ يقوم التطبيق بحساب "درجة توافق" واحدة لكل شخص بناءً على عمره، وجنسه، وتاريخه الطبي، وغير ذلك. ثم يحاول مطابقة مريض تلقى العلاج مع مريض لم يتلقاه يمتلك نفس الدرجة تماماً. إذا تطابقت الدرجات، يفترض العلماء أن الشخصين متشابهان بما يكفي لإجراء مقارنة عادلة.

لكن هنا تكم- في: الحياة الواقعية فوضوية. يمتلك الناس أنواعاً مختلفة من السمات؛ فبعضها فئات بسيطة (مثل "ذكر" أو "أنثى"، "مدخن" أو "غير مدخن")، بينما البعض الآخر عبارة عن مقاييس متدرجة (مثل "العمر"، أو "ضغط الدم"، أو "الوزن"). الطريقة القديمة للقيام بهذا المطابقة تجبر كل هذه الأنواع المختلفة من المعلومات على التحول إلى رقم واحد فقط. إنه يشبه محاولة وصف بيتزا كاملة بمجرد قياس وزنها الإجمالي؛ ستفقد التفاصيل المتعلقة بالعجينة، والجبن، والبيبروني. وما تشير إليه الورقة البحثية التي بين يديك هو أن نهج "الرقم الواحد" هذا قد يفتقر إلى الدقة اللازمة لإجراء مقارنات عادلة في البيانات الطبية المعقدة.

---

الموفق ذو البعدين

في هذه الدراسة، قرر فريق من الباحثين من جامعة تكساس الطبية بمدينة غالفيستونون ترقية "تطبيق المواعدة" هذا. فقد قدموا طريقة جديدة تسمى "مطابقة درجة الميل ثنائية الأبعاد" (2D-PSM). وبدلاً من ضغط جميع سمات المريض في درجة واحدة، قاموا بتقسيم المهمة إلى بُعدين منفصلين: بُعد للسمات الفئوية (الأشياء التي هي "نعم/لا" أو "نوع")، وبُعد للسمات الرقمية (كمية "كم مقدار الشيء").

تخيل أنك تحاول مطابقة شخصين لرحلة تخييم. الطريقة القديمة ستعطيك "رقم توافق تخييم" واحداً بناءً على كل ما يحبونه. أما الطريقة الجديدة ثنائية الأبعاد، فستعطيك درجتين منفصلتين: "درجة المعدات" (هل لديهم خيمة؟ حقيبة نوم؟) و"درجة الطبيعة" (هل يحبون المشي لمسافات طويلة؟ هل يكرهون الحشرات؟). ثم يحاول الباحثون مطابقة الأشخاص الذين هم قريبون في كلا البُعدين في الوقت نفسه، باستخدام قاعدة خاصة تسمى "الفرجار الإهليلجي" (elliptical caliper).

فكر في هذا "الفرجار الإهليلجي" كشبكة مرنة بيضاوية الشكل. إذا كان شخصان مختلفين قليلاً في "درجة المعدات"، يمكن للشبكة أن تتمدد لتسمح لهما بالمطابقة، طالما أنهما متقاربان جداً في "درجة الطبيعة". هذه المرونة تسمح للنظام بإيجاد مطابقات أفضل دون التخلص من الكثير من الأشخاص، وهي مشكلة شائعة عندما تكون القواعد صارمة للغاية.

التجربة الكبرى

لمعرفة ما إذا كانت هذه الطريقة الجديدة تعمل حقاً، لم يكتفِ الفريق بالتخمين؛ بل وضعوها قيد الاختبار. أجروا تجربة ضخمة باستخدام نوعين من البيانات:

1. بيانات العالم الحقيقي: حصلوا على خمس مجموعات مختلفة من السجلات الطبية الفعلية من المستشفيات، شملت ما بين 460 إلى ما يقرب من 62,000 مريض. غطت هذه السجلات كل شيء من أمراض الكلى إلى ضحايا الحروق إلى الانصمام الرئوي.
2. البيانات الاصطناعية: كما أنشأوا 21 مجموعة بيانات وهمية باستخدام الكمبيوتر. كانت هذه بمثابة "مختبرات اختبار" مثالية حيث يعرفون بالضبط كيف يجب أن تعمل عملية المطابقة. لقد بنوا هذه العوالم الوهمية بمستويات مختلفة من التعقيد، وأضافوا إليها أشياء صعبة مثل العلاقات غير الخطية (حيث يساعد القليل من الدواء، لكن الكثير منه قد يضر) والتفاعلات بين المتغيرات.

اختبروا طريقة (2D-PSM) الجديدة مقابل طريقة "الدرجة الواحدة" التقليدية باستخدام خمس خوارزميات مختلفة لتعلم الآلة (برامج كمبيوتر ذكية تتعلم من البيانات). كما جربوا أحجام "شبكات" (فراجير) مختلفة لمعرفة مدى صرامة أو مرونة قواعد المطابقة.

ماذا وجدوا؟

كانت النتائج مثيرة للاهتمام بالنسبة للطريقة الجديدة. فعندما نظروا في مدى جودة توازن المجموعات (أي: هل بدت المجموعتان المعالجة وغير المعالجة متشابهتين بالفعل بعد المطابقة؟)، كانت طريقة (2D-PSM) هي الفائزة بوضوح في معظم الحالات.

• الصورة الكبيرة: في مجموعات البيانات الوهمية والمعقدة، كان الأداء الجديد أفضل من الطريقة القديمة في 85% من التجارب، خاصة عندما استخدموا قواعد مطابقة أكثر مرونة قليلاً. وحتى في بيانات المستشفيات من العالم الحقيقي، قدمت الطريقة الجديدة أداءً يضاهي الطريقة القديمة، وغالباً ما تفوقت عليها، دون خسارة أي مرضى من الدراسة.
• "شكل" المطابقة: إليكم الجزء الأكثر إثارة للاهتمام. كانت الطريقة القديمة جيدة جداً في مطابقة "متوسط" العمر أو الوزن للمجموعات (المتوسط الحسابي). لكنها غالباً ما أخطأت في ضبط "انتشار" أو "شكل" البيانات. كان الأمر يشبه مطابقة مجموعتين من الناس لديهما نفس متوسط الطول، لكن إحدى المجموعتين تتكون من عمالقة وأقزام، بينما الأخرى تتكون من أشخاص متوسطي الطول. كانت طريقة (2D-PSM) الجديدة أفضل بكثير في الحفاظ على تشابه "شكل" المجموعات، مما يضمن توازن انتشار الأعمار والأوزان أيضاً.
• عامل التعقيد: كلما زادت تعقيد البيانات (مع وجود الكثير من التفاعلات بين المتغيرات المختلفة)، برزت الطريقة الجديدة بشكل أكبر. عندما كانت العلاقات بين المتغيرات بسيطة ومستقيمة، كان كلا الطريقتين يؤديان بشكل جيد. ولكن عندما أصبحت البيانات فوضوية وغير خطية، تفوقت طريقة (2D-PSM)، مما يشير إلى أن تقسيم المشكلة إلى بُعدين يساعد الكمبيوتر على فهم البيانات بشكل أفضل.

لماذا يهم هذا؟

يشير المؤلفون إلى أنه من خلال معاملة البيانات الفئوية والرقمية كبُعدين منفصلين، يمكن للباحثين الحصول على مقارنة أكثر عدلاً في الدراسات الطبية. الأمر يشبه إدراك أنه للعثور على شريك مثالي، لا ينبغي النظر فقط إلى "درجة توافق" واحدة، بل يجب التحقق مما إذا كنت تتوافق في الهوايات والقيم على حد سواء.

لم تثبت هذه الدراسة أن الطريقة الجديدة تعالج كل مشكلة في الأبحاث الطبية، ولم تختبر النتائج الطبية النهائية (مثل من عاش لفترة أطول). لكنها تشير بقوة إلى أنه بالنسبة للبيانات المختلطة والمعقدة التي نجدها في السجلات الصحية الإلكترونية، فإن نهج "الدرجة الواحدة" القديم قد يكون بسيطاً للغاية. يوفر النهج الجديد ثنائي الأبعاد طريقة أكثر مرونة ودقة لتهيئة أرضية متساوية، مما يساعد الأطباء والعلماء على الثقة في نتائجهم بشكل أكبر قليلاً.