Predicting Positive Blood Cultures Early in Hospitalization Using Time Locked Electronic Health Record Data
تُظهر هذه الدراسة أن نموذج تعلم آلي مقيد زمنياً باستخدام بيانات السجلات الصحية الإلكترونية يمكنه التنبؤ بفعالية بخطر إيجابية مزارع الدم خلال 24 ساعة من دخول المستشفى، مما يتيح تحديد أولويات المرضى للتدخل المبكر قبل توفر النتائج النهائية.
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
تُعد المستشفيات أماكن تكون فيها دفاعات الجسم ضعيفة بالفعل، وعندما يصاب المريض بعدوى خطيرة تنتشر عبر مجرى الدم، تصبح المخاطر عالية للغاية. ولتحديد الجرثومة المسببة للمرض، يسحب الأطباء عينة من الدم ويرسلونها إلى المختبر لزراعة البكتيريا أو الفطريات، وهي عملية تُعرف باسم "مزرعة الدم". ويُعتبر هذا الاختبار هو المعيار الذهبي لتشخيص العدوى المهددة للحياة، ومع ذلك، فإنه يعاني من خلل محبط: الغالبية العظمى من هذه الاختبارات تعود بنتيجة سلبية، مما يعني عدم وجود أي نمو. وفي بعض الأحيان يكون الدم نظيفاً حقاً، ولكن في كثير من الأحيان يفشل الاختبار في رصد الجرثومة، أو قد تتلوث العينة بالخطأ ببكتيريا الجلد أثناء عملية السحب. وعندما تظهر نتيجة المزرعة إيجابية، تكون تلك لحظة حرجة تتطلب اهتماماً فورياً، ولكن نظرًا لأن معظم النتائج تكون سلبية، يجب على الفرق الطبية التعامل مع كل عينة بنفس القدر من الحذر، مما قد يرهق الموارد ويؤخر الرعاية للمرضى القلائل الذين يحتاجونها حقاً. لذا، فإن التحدي لا يكمن في تقرير من يجب أن يخضع للاختبار، بل في معرفة أي العينات هي الأكثر عرضة للكشف عن ممرض خطير مباشرة بعد سحب الدم، بحيث يمكن منح الأولوية للأشخاص المناسبين للحصول على نتائج وعلاج أسرع.
وضع فريق من الباحثين في جامعة براون هيلث (Brown University Health) هدفاً لحل هذه المشكلة تحديداً من خلال بناء نموذج حاسوبي يعمل كمرشح ذكي لنتائج مزارع الدم. لقد اطلعوا على بيانات أكثر من 51,000 حالة دخول إلى المستشفى حيث أُجريت مزارع دم خلال اليوم الأول من إقامة المريض. وقام الباحثون بتدريب نظام تعلم آلي للبحث في المعلومات المتوفرة في السجل الصحي الإلكتروني للمريض في اللحظة ذاتها التي تم فيها سحب الدم. وتضمنت هذه المعلومات عمر المريض، وتاريخه الطبي، وما إذا كان في وحدة العناية المركزة، والأدوية التي تلقاها مؤخاً، بالإضافة إلى علاماته الحيوية الحالية ونتائج فحوصات الدم. ومن الأهمية بمكان أن النموذج صُمم ليكون "مقيداً زمنياً"، مما يعني أنه لا يمكنه استخدام سوى الحقائق التي كانت موجودة قبل ملامسة الإبرة للوريد، لضمان عدم استخدامه لنتائج مخبرية قبل أن تصبح جاهزة. وكان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر رصد أنماط في البيانات قد تغيب عن الأطباء البشر، والتنبؤ بالمرضى الأكثر عرضة لخطر الإصابة بعدوى حقيقية.
أظهرت الدراسة أن النموذج كان فعالاً في الفصل بين حالات العدوى المحتملة والنتائج السلبية. ففي مجموعة المرضى الذين لم يرها النموذج من قبل، نجح في تحديد مجموعة صغيرة من الأفراد المعرضين لخطر عالٍ. وبينما تبين أن حوالي أربعة بالمائة فقط من جميع مزارع الدم في الدراسة كانت إيجابية، كانت تنبؤات النموذج أكثر دقة عندما ركزت على اختياراته الأولى. فمن بين واحد بالمائة من المرضى الذين صنفهم النموذج بأنهم الأعلى خطورة، كانت نسبة وجود مزرعة دم إيجابية تقارب ثلاثين بالمائة. وحتى بين أعلى خمسة بالمائة من المخاطر المتوقعة، ارتفع معدل النتائج الإيجابية إلى ما يقرب من عشرين بالمائة. وهذا يعني أن الأداة يمكنها فعلياً مضاعفة أو تربع احتمال العثور على عدوى حقيقية إذا وجهت الفرق الطبية اهتمامها الفوري نحو هؤلاء المرضى تحديداً. وكانت أقوى إشارة استخدمها النموذج هي معلومة بسيطة من التاريخ الطبي: ما إذا كان المريض قد أصيب بمزرعة دم إيجابية في الماضي؛ إذ إن المرضى الذين لديهم تاريخ من إصابات مجرى الدم كانوا أكثر عرضة للإصابة بها مرة أخرى. ومع ذلك، حتى عندما أزال الباحثون هذا التاريخ من النموذج، ظل النظام يعمل بشكل جيد، معتمداً على إشارات أخرى مثل الإقامة الأخيرة في المستشفى، ونوع الدخول، واختلالات محددة في كيمياء الدم مثل انخفاض عدد الصفائح الدموية أو ارتفاع مستويات الفضلات في الدم.
كما اختبر الباحثون مدى قوة نتائجهم من خلال تغيير قواعد اللعبة؛ حيث تحققوا مما إذا كان النموذج يقوم فقط بعدّ المرات التي طلب فيها الطبيب إجراء الاختبار، أم أنه يتعلم حقاً عن حالة المريض. ووجدوا أن نجاح النموذج لم يعتمد على عدد الاختبارات المطلوبة، بل على الصورة السريرية الفعلية. كما أكدوا أن النموذج ظل دقيقاً حتى عندما نظروا فقط إلى زيارة المريض الأولى للمستشفى أو عند استبعاد المرضى الذين توفوا بسرعة كبيرة، مما يشير إلى أن الأداة مستقرة وموثوقة عبر سيناريوهات مختلفة. لم تدعِ الدراسة أن هذا النموذج ينبغي أن يحل محل الأطباء، أو أنه يمكنه التنبؤ بالعدوى لدى المرضى الذين لم يُسحب لهم دم أبداً، بل يقدم المؤلفون هذا النموذج كأداة عملية لـ "الإشراف التشخيصي"، وهو مفهوم يعني استخدام الموارد بحكمة. فمن خلال استخدام درجة الحاسوب هذه لتحديد أولويات عينات الدم التي يجب فحصها أولاً من قبل المختبر أو مراجعتها فوراً من قبل اختصاصيي الأمراض المعدية، يمكن للمستشفيات تسريع علاج المرضى الأكثر اعتلالاً دون إضاعة الوقت في العديد من العينات التي ستكون سلبية في النهاية.
يمثل هذا العمل تحولاً في كيفية إدارة المستشفيات لتدفق البيانات الذي تولده يومياً. فبدلاً من معاملة كل مزرعة دم كأنها لغز متساوٍ يجب حله بنفس السرعة، تقترح الدراسة أن مساعداً رقمياً يمكنه المساعدة في فرز عبء العمل، وتسليط الضوء على الحالات التي تكون فيها احتمالات الإصابة بعدوى خطيرة هي الأعلى. والنموذج ليس بلورة سحرية، ويؤكد الباحثون أنه يحتاج إلى اختبار في مستشفيات أخرى لضمان عمله في بيئات مختلفة مع مجموعات مرضى مختلفة. لكن النتيجة الجوهرية واضحة: من خلال تحليل المعلومات المتاحة بدقة في اللحظة التي تُسحب فيها عينة الدم، يمكن تحديد مجموعة صغيرة من المرضى الذين هم أكثر عرضة بكثير للإصابة بعدوى خطيرة من الشخص العادي، مما يسمح للنظام الطبي بتركيز جهوده الأكثر إلحاحاً حيث تشتد الحاجة إليها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.