A federated learning and recalibration pipeline for clinical prediction across heterogeneous regions: 30-day mortality after acute myocardial infarction

في العصر الحديث للطب، يعتمد الأطباء بشكل متزايد على برامج الكمبيوتر للمساعدة في التنبؤ بالصحة المستقبلية للمريض. هذه الأدوات، المعروفة باسم نماذج التنبؤ السريري، تقوم بتحليل أعراض الشخص وتاريخه الطبي لتقدير احتمالية حدوث نتيجة معينة، مثل احتمالية البقاء على قيد الحياة بعد الإصابة بنوبة قلبية. ولكي تكون هذه البرامج دقيقة، فإنها تحتاج عادةً إلى التدرب على كميات هائلة من البيانات من أشخاص مختلفين. ومع ذلك، يوجد عائق كبير: السجلات الطبية تحتوي على معلومات خاصة للغاية. فغالباً لا تستطيع المستشفيات والمراكز البحثية مشاركة بيانات مرضاهم الخام مع بعضها البعض بسبب قوانين الخصوصية الصارمة والمخاوف الأخلاقية. وهذا يخلق معضلة حيث تتطلب أفضل النماذج بيانات لا يمكن نقلها، بينما البيانات الموجودة محبوسة في صوامع معزولة. ولحل هذه المشكلة، طور العلماء طريقة تسمى "التعلم الاتحادي" (federated learning). فبدلاً من جمع جميع سجلات المرضى في قاعدة بيانات مركزية واحدة، يسمح هذا النهج لكل مستشفى بالاحتفاظ ببياناته على أجهزة الكمبيوتر الخاصة به. ثم تتواصل أجهزة الكمبيوتر مع بعضها البعض، وتشارك فقط الدروس الرياضية التي تعلمتها من مرضاها المحليين، دون الكشف أبداً عن هويات المرضى أو تفاصيلهم المحددة.

لقد شرع فريق من الباحثين في اختبار ما إذا كان بإمكان هذه الطريقة أن تعمل بفعالية للتنبؤ بالوفاة خلال 30 يوماً لدى المرضى الذين يعانون من احتشاء عضلة القلب الحاد، وهو نوع خطير من النوبات القلبية. وقد استخدموا مجموعة بيانات ضخمة ومعروفة من تجربة دولية كبرى تسمى GUSTO-I، والتي شملت أكثر من 40,000 مريض من 16 منطقة مختلفة حول العالم. كان الهدف هو معرفة ما إذا كان النموذج الذي يتم بناؤه من خلال الجمع بين معرفة كل هذه المناطق يمكنه التنبؤ بالوفاة بدقة تماثل نموذجاً تم بناؤه من خلال تجميع كل البيانات الخام معاً، وما إذا كان هذا النهج المجمع أفضل من الاعتماد على نماذج تم تدريبها في منطقة واحدة فقط. وقارن الباحثون بين ثلاث طرق مختلفة لبناء أدوات التنبؤ هذه. تمثلت الطريقة الأولى في النهج التقليدي حيث يتم تجميع جميع بيانات المرضى في موقع مركزي واحد. وتضمنت الطريقة الثانية تدريب نموذج منفصل لكل منطقة من المناطق الـ 16 باستخدام بيانات تلك المنطقة فقط. أما الطريقة الثالثة فكانت النهج الاتحادي، حيث قامت المناطق الـ 16 بتدريب نماذجها محلياً وشاركت فقط المعاملات الرياضية الناتجة لبناء نموذج عالمي واحد، متبوعاً بعملية ضبط سريعة لضمان معايرة توقعات المخاطر بشكل صحيح.

كشفت النتائج عن نمط واضح فيما يتعلق بمدى قدرة هذه النماذج على الانتقال من مكان إلى آخر. فعندما اختبر الباحثون النماذج داخل المنطقة المحددة التي أُنشئت فيها، كانت تعمل بشكل جيد إلى حد ما. ومع ذلك، عندما أخذوا نموذجاً تم تدريبه في منطقة ما وحاولوا استخدامه للتنبؤ بالنتائج في منطقة أخرى، انخفضت الدقة غالباً بشكل كبير. فبعض النماذج التي عملت جيداً محلياً أصبحت غير موثوقة عند تطبيقها في مكان آخر، مما أظهر قدرة ضعيفة على التمييز بين المرضى الذين سينجون وأولئك الذين لن ينجوا. وقد سلط هذا الضوء على مشكلة رئيسية: وهي أن الظروف المحلية، والتركيبة السكانية للمرضى، وممارسات الرعاية تختلف بما يكفي لجعل النموذج المبني لمنطقة ما لا يعمل تلقائياً في منطقة أخرى. وفي المقابل، فإن النماذج التي بُنيت باستخدام بيانات من جميع المناطق مجتمعة — سواء من خلال التجميع المركزي التقليدي أو عبر النهج الاتحادي الجديد — ظلت مستقرة ودقيقة عبر جميع المناطق الـ 16. فقد حققت هذه النماذج العالمية باستمرار مستوى عالياً من الدقة، حيث صنفت المرضى حسب الخطورة بدقة بلغت (AUC) قدرها 0.82، وحافظت على هذا الأداء بغض النظر عن المنطقة التي تم اختبارها.

كما أكدت الدراسة أن طريقة التعلم الاتحادي يمكنها أن تضاهي أداء طريقة التجميع المركزي التقليدية بدقة تامة تقريباً. فالنموذج العالمي الذي بُني من خلال النهج الاتحادي، حيث لم تغادر أي بيانات للمرضى مستشفى موطنها الأصلي، كان يؤدي بنفس كفاءة النموذج المبني من مجموعة البيانات المجمعة. وكان هذا اكتشافاً حاسماً لأن الأمر أثبت أن الخصوصية والتنبؤ عالي الجودة ليسا نقيضين لبعضهما البعض. ومع ذلك، لاحظ الباحثون عقبة تقنية صغيرة في العملية الاتحادية؛ فعندما تم حساب متوسط المعاملات الرياضية من المناطق المختلفة، مال النموذج الناتج إلى المبالغة قليلاً في تقدير خطر الوفاة الإجمالي. ولإصلاح ذلك، أضاف الفريق خطوة معايرة خفيفة في النهاية. قامت هذه الخطوة بضبط أرقام التنبؤ النهائية باستخدام إحصاءات ملخصة تمت مشاركتها بين المستشفيات، مما أدى فعلياً إلى تصحيح الانحياز دون الحاجة إلى رؤية أي سجلات فردية للمرضى. وبعد هذا التعديل، أصبحت تنبؤات النموذج الاتحادي متوافقة تماماً مع النموذج المركزي.

كما فحص الباحثون البنية الداخلية لهذه النماذج لفهم سبب عملها بهذه الطريقة. ووجدوا أن القواعد الرياضية التي تعلمها النموذج الاتحادي كانت مشابهة جداً للقواعد التي تعلمها النموذج المركزي، مما يشير إلى أن الطريقة الموزعة نجحت في التقاط نفس الأنماط الأساسية للمرض والمخاطر. وفي المقابل، أظهرت النماذج التي تم تدريبها على مناطق منفردة تبايناً أكبر في قواعدها الداخلية، وهو ما فسر سبب تعثرها عند تطبيقها في مناطق أخرى. وقد أنتجت إحدى المناطق، على وجه الخصوص، نموذجاً كان مختلفاً تماماً عن الآخرين وأدى أداءً ضعيفاً عند اختباره في أماكن أخرى، مما عزز فكرة أن الاعتماد على مجموعة بيانات محلية واحدة يمكن أن يؤدي إلى تنبؤات هشة. وخلصت الدراسة إلى أنه بينما يمكن أن تكون النماذج المحلية مفيدة داخل حدودها، إلا أنها غالباً ما تفشل في التعميم على إعدادات جديدة. إن نهج التعلم الاتحادي، مقترناً بتصحيح بسيط للمخاطر الإجمالية، يوفر وسيلة عملية وآمنة لبناء أدوات تنبؤ قوية تعمل عبر مختلف البلدان وأنظمة الرعاية الصحية، مع الحفاظ على سلامة بيانات المرضى الحساسة داخل جدران كل مستشفى.