Generalizing Major Adverse Cardiovascular Events (MACE) Prediction Across Study Designs Using Ensemble Transfer Learning in 4.2 million US Veterans

لا تزال أمراض القلب هي السبب الرئيسي للوفاة في الولايات المتحدة، حيث تحصد أرواح ما يقرب من واحد من كل أربعة أشخاص. لعقود من الزمن، اعتمد الأطباء على عوامل خطر ثابتة للتنبؤ بمن قد يعاني من حدث قلبي كبير، مثل نوبة قلبية، أو سكتة دماغية، أو الوفاة لأسباب وعائية قلبية. تشمل هذه العوامل العمر، والجنس، وارتفاع ضغط الدم، والسكري، ومستويات الكوليسترول. وبينما أنقذت هذه الإرشادات الأرواح، إلا أنها غالبًا ما تجد صعوبة في التكيف عند تطبيقها على مجموعات مختلفة من الناس أو عندما تأتي البيانات التي بُنيت عليها من أنواع مختلفة من الدراسات الطبية. فالنموذج الذي يتم تدريبه على مجموعة معينة من المرضى قد يفشل عند استخدامه على مجموعة أخرى، ببساطة لأن طريقة جمع البيانات خلقت انحيازات خفية. إن التحدي الذي يواجه الطب الحديث هو بناء أدوات تنبؤ ليست دقيقة فحسب، بل قوية أيضًا بما يكفي لتعمل عبر مجموعات سكانية متنوعة وأنظمة رعاية صحية متغيرة.

ولمعالجة ذلك، لجأ فريق من الباحثين من مختبر لوس ألاموس الوطني ومراكز طبية متنوعة تابعة لشؤون المحاربين القدامى إلى مجموعة بيانات ضخمة تحتوي على السجلات الطبية الإلكترونية لـ 4.2 مليون من قدامى المحاربين الأمريكيين. كان هدفهم هو ابتكار طريقة جديدة للتنبؤ بالأحداث القلبية الوعائية الضائرة الكبرى، أو ما يعرف بـ (MACE)، بحيث يمكنها التعلم من تصميمات دراسية مختلفة وتعميم نتائجها على المرضى في العالم الحقيقي. واكتشفوا أنه من خلال الجمع بين طريقتين مختلفتين تمامًا للنظر في بيانات المرضى — إحداهما تركز على إيجاد الأسباب البيولوجية للمرض والأخرى تركز على فحص شريحة واسعة من السكان — استطاعوا بناء أداة تنبؤ أقوى بكثير مما يمكن أن يحققه أي من المنهجين بمفرده.

عمل الباحثون مع مجموعة بيانات امتدت لسبع سنوات ونصف من التاريخ الطبي لملايين المرضى. وكان عليهم التنبؤ بمن سيواجه نوبة قلبية، أو سطة دماغية، أو وفاة مرتبطة بأمراض القلب في المستقبل. وللقيام بذلك، نظروا في مجموعة واسعة من المعلومات، بما في ذلك نتائج المختبر، والعلامات الحيوية مثل ضغط الدم، والتشخيصات، والأدوية، ومدى تكرار زيارات المرضى للأطباء. قاموا بتنظيم هذه المعلومات في كتل زمنية تسبق تاريخ التنبؤ، مما خلق جدولاً زمنياً مفصلاً لصحة كل مريض.

واجه الفريق مشكلة جوهرية: أنواع الدراسات الطبية المختلفة تلتقط جوانب مختلفة من الصحة. أحد أنواع الدراسات، المعروف باسم دراسة "الحالات والشواهد الرجعية" (retrospective case-control study)، ممتاز في تحديد الدوافع البيولوجية للمرض. في هذا التصميم، يطابق الباحثون المرضى الذين تعرضوا لحدث قلبي مع مرضى مشابهين لم يتعرضوا له، مع التحكم بدقة في عوامل مثل العمر ومدى تكرار زياراتهم للأطباء. هذا التطابق يزيل "الضجيج" الناتج عن أنماط استخدام الرعاية الصحية، مما يسمح للإشارات البيولوجية بالبروز بوضوح. ومع ذلك، فإن هذه المجموعات المتطابقة لا تبدو دائمًا مثل عامة السكان الذين يراجعون الأطباء.

النوع الآخر هو "دراسة المجموعة الاستباقية للفحص" (prospective screening cohort)، والتي تراقب مجموعة واسعة من المرضى أثناء تلقيهم الرعاية الروتينية. يعكس هذا التصميم الواقع، بما في ذلك حقيقة أن بعض الناس يزورون الأطباء بشكل متكرر بينما يزورهم آخرون نادراً. وبينما يوفر هذا صورة واقعية للسكان، إلا أن البيانات غالباً ما تكون "مشوشة" لأن وتيرة الزيارات ترتبط بمدى مرض الشخص، مما يجعل من الصعب فصل المرض نفسه عن سلوك البحث عن الرعاية.

أدرك الباحثون أن محاولة استخدام نهج واحد فقط ستكون محدودة. وبدلاً من ذلك، طوروا إطار عمل يسمى "تعلم النقل التجميعي" (ensemble transfer learning). قاموا أولاً بتدريب عدة نماذج مختلفة من تعلم الآلة على بيانات "الحالات والشواهد الرجعية" لتعلم الدوافع البيولوجية النقية لأمراض القلب. ثم أخذوا هذه النماذج وقاموا بـ "ضبطها بدقة" باستخدام بيانات الفحص الاستباقي. سمحت هذه العملية للنماذج بالتكيف مع أنماط استخدام الرعاية الصحية في العالم الحقيقي مع الحفاظ على الرؤى البيولوجية الجوهرية التي تعلمتها. يشبه الأمر كيف يمكن لموسيقي أن يتدرب على مقطوعة موسيقية في استوديو هادئ لإتقان النوتات، ثم يؤديها في قاعة حفلات صاخبة، فيعدل مستوى صوته وتوقيته ليتناسب مع القاعة دون أن يفقد جوهر الموسيقى نفسها.

كانت النتائج كبيرة. فعندما اختبر الباحثون نماذجهم المجمعة الجديدة على مجموعة استباقية من قدامى المحاربين من عام 2017، حققت النماذج مستوى عالٍ من الدقة، حيث ميزت بشكل صحيح بين من سيصابون بحدث قلبي ومن لن يصابوا، بشكل أفضل من الطرق القياسية السابقة. كانت النماذج جيدة بشكل خاص في تحديد المرضى المعرضين لخطر عالٍ، وهي الفئة التي كانت الأدوات السابقة تخفق في تحديدها غالباً. علاوة على ذلك، ظلت النماذج دقيقة عبر مختلف المجموعات الديموغرافية، بما في ذلك الرجال والنساء، والأشخاص من مختلف الأعراق والأصول العرقية.

كان أحد الاكتشافات الرئيسية للدراسة هو أن الدوافع البيولوجية لأمراض القلب التي تم تحديدها في المجموعات الرجعية المتطابقة بعناية كانت متسقة مع تلك الموجودة في المجموعات الاستباقية الأوسع. يشير هذا إلى أن الآليات الجوهرية للمرض مستقرة ويمكن تعلمها من نوع واحد من الدراسات وتطبيقها بنجاح على نوع آخر. كما سلطت الدراسة الضوء على أن النماذج غير الخطية، التي يمكنها التقاط التفاعلات المعقدة بين المتغيرات، قدمت أداءً أفضل من النماذج الخطية التقليدية. كانت هذه النماذج المتقدمة قادرة على فهم أن مجموعة من العوامل، مثل ارتفاع ضغط الدم وتاريخ من آلام الصدر، تخلق خطراً أكبر من مجموع الأجزاء الفردية.

كما فحص الباحثون كيفية تعامل النماذج مع البيانات المفقودة. في السجلات الطبية الإلكترونية، من الشائع أن تكون بعض الاختبارات مفقودة. وجدت الدراسة أن غياب نتيجة اختبار ما كان في حد ذاته معلومة مفيدة؛ فعلى سبيل المثال، إذا لم يخضع المريض لفحص ضغط الدم منذ فترة طويلة، فقد يشير ذلك إلى عدم التفاعل مع نظام الرعاية الصحية، وهو ما يعد بحد ذاته عامل خطر. كانت النماذج الجديدة قادرة على استخدام أنماط "البيانات المفقودة" هذه لتحسين تنبؤاتها، بينما كانت النماذج القديمة غالباً ما تعامل البيانات المفقودة كخطأ بسيط يجب تجاهله.

يُظهر هذا العمل أنه من الممكن بناء أدوات تنبؤ سريرية تكون قائمة على أسس بيولوجية ومفيدة عملياً في آن واحد. من خلال الإقرار بأن تصميمات الدراسات المختلفة تقدم نقاط قوة مختلفة، ابتكر الباحثون نظاماً يستفيد من دقة الدراسات المتطابقة وواقعية الفحص الواسع. النماذج الناتجة ليست أكثر دقة فحسب، بل هي أيضاً أكثر قدرة على التكيف. ومع تغير أنظمة الرعاية الصحية، وظهور علاجات جديدة، وتطور المجموعات السكانية، يمكن تحديث هذه النماذح بجهد ضئيل نسبياً، مما يضمن بقاءها ذات صلة.

أُجريت الدراسة باستخدام بيانات من وزارة شؤون المحاربين القدامى الأمريكية، والتي وفرت سجلاً طولياً غنياً لملايين المرضى. وبينما يغلب الطابع الذكوري والتقدم في السن على مجتمع قدامى المحاربين هذا، فإن المنهجية التي تم تطويرها هنا تقدم استراتيجية عامة لتحسين التنبؤ بالمخاطر في أي نظام رعاية صحية كبير. ويقترح الباحثون إمكانية تطبيق هذا النهج على أمراض مزمنة أخرى ومشكلات طبية معقدة، مما يوفر مساراً نحو طب أكثر موثوقية وتخصيصاً. ومن خلال الجمع بين أفضل ما في تصميمات الدراسات المختلفة، أثبت الفريق أن تعلم الآلة يمكن أن يتجاوز مجرد مطابقة الأنماط البسيطة لإنشاء أدوات تفهم حقاً تعقيد الصحة البشرية.