← أحدث الأبحاث
📄 الطب

Early Prediction of Acute Kidney Injury in ICU Patients Using Large Language Models: A Retrospective Cohort Study Based on QLoRA Fine-Tuning

تُظهر هذه الدراسة الاستعادية للأتراب أن نموذج اللغة الكبير Llama-2، الذي تم ضبطه بدقة باستخدام تقنية QLoRA، يمكنه التنبؤ بفعالية بإصابة الكلى الحادة لدى مرضى العناية المركزة باستدعاء عالٍ ومتطلبات حوسبة مجدية، مما يقدم بديلاً فعالاً من حيث الموارد لنماذج التعلم الآلي التقليدية لأنظمة الإنذار السريري المبكر.

المؤلفون الأصليون: xing li, xiaoqin zou

نُشر 2026-09-24
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: xing li, xiaoqin zou

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

في بيئة وحدة العناية المركزة عالية المخاطر، حيث يصارع المرضى من أجل البقاء على قيد الحياة، غالبًا ما تواجه الكلى فشلاً صامتًا ومفاجئًا. هذه الحالة، المعروفة باسم إصابة الكلى الحادة، تضرب نسبة كبيرة من الأشخاص المقبولين في أجنحة الرعاية الحرجة هذه. وتعتمد الطريقة الحالية التي يستخدمها الأطباء لتحديد هذه المشكلة على اختبارات دم محددة وقياسات لإنتاج البول، لكن هذه العلامات غالبًا ما تظهر فقط بعد أن يكون الضرر قد بدأ بالفعل. وبحلول الوقت الذي تظهر فيه المؤشرات القياسية مشكلة ما، قد تكون النافذة المتاحة لأكثر التدخلات فعالية ولطفًا قد أُغلقت بالفعل. لعقود من الزمن، حاول الباحثون بناء أنظمة حاسوبية يمكنها النظر في العلامات الحيوية للمريض ونتائج المختبر للتنبؤ بهذا الفشل قبل حدوثه، آملين في منح الأطباء فرصة للبدء مبكرًا. ومع ذلك، فإن هذه الأنظمة التقليدية غالبًا ما تجد صعوبة في الربط بين عشرات الأرقام المختلفة، مما يؤدي إلى تفويت القصة المعقدة والدقيقة التي قد يراها اختصاصي بشري.

تقدم دراسة جديدة نوعًا مختلفًا من الذكاء لهذا التحدي، حيث تختبر ما إذا كان نموذج لغوي كبير — وهو نوع من الذكاء الاصطناعي المصمم لفهم وتوليد اللغة البشرية — يمكنه رصد علامات الإنذار المبكر لفشل الكلى بشكل أفضل من الأدوات الموجودة. فقد أخذ الباحثون مجموعة ضخمة من السجلات الطبية مجهولة الهوية لأكثر من 188,000 مريض بالغ قضوا وقتًا في وحدة العناية المركزة بين عامي 2008 و2019. وبدلاً من تغذية الحاسوب بأرقام خام مثل ضغط الدم أو مستويات الكرياتينين، قاموا بترجمة نقاط البيانات هذه إلى سرد مهيكل، يشبه تمامًا ملاحظة مكتوبة من طبيب. تضمن هذا النص عمر المريض، وتاريخ وظائف الكلى لديه، ومعدل ضربات القلب، وإنتاج البول، ومجموعة واسعة من وظائف الأعضاء الأخرى، من إنزيمات الكبد إلى عوامل تجلط الدم. كان الهدف هو معرفة ما إذا كان بإمكان الحاسوب قراءة هذه القصة السريرية والتنبؤ بمن سيصاب بإصابة كلوية خلال اليوم التالي.

ولجعل هذا الأمر ممكنًا على أجهزة المستشفيات القياسية، استخدم الفريق تقنية متخصصة تسمى "التكيف منخفض الرتبة المكمّم" (quantized low-rank adaptation). سمحت هذه الطريقة بضبط النموذج اللغوي القوي بدقة دون الحاجة إلى أجهزة الكمبيوتر العملاقة المكلفة والضخمة التي تتطلبها مثل هذه المهام عادةً. لقد دربوا النظام على التعرف على أنماط إصابة الكلى المتطورة، مع إعطاء الأولوية للقدرة على رصد كل حالة، حتى لو كان ذلك يعني إطلاق إنذار كاذب أحيانًا. ففي عالم الإنذار المبكر الطبي، يُعتبر تفويت مريض مريض أكثر خطورة من إرسال تنبيه كاذب يمكن للطبيب تجاهله بسرعة. وعندما تم اختبار النظام على مجموعة من المرضى الذين لم يسبق له رؤيتهم، نجح في تحديد 84.4 بالمائة من المرضى الذين أصيبوا لاحقًا بإصابة كلوية. وكان هذا الأداء أعلى بشكل ملحوء من النماذج الحاسوبية المتقدمة الأخرى التي اختُبرت في الدراسة نفسها، والتي فاتتها حالات أكثر.

وجدت الدراسة أن النموذج اللغوي كان جيدًا بشكل خاص في رصد المرضى المعرضين للخطر، حتى عندما لم تكن نتائج اختبارات الدم لديهم غير طبيعية بشكل صارخ. وقد حقق ذلك من خلال وزن مزيج من العوامل، مثل الانخفاض البطيء في إنتاج البول أو الارتفاع الطفيف في الكرياتينين، جنبًا إلى جنب مع علامات الإجهاد في أجزاء أخرى من الجسم. وبينما أطلق النظام إنذارًا كاذبًا في حوالي 20 بالمائة من الحالات السليمة، كشفت نظرة فاحصة عن سبب واضح لهذه الأخطاء. فقد حدثت معظم الإنذارات الكاذبة لدى المرضى الذين يعانون من انخفاض في إنتاج البول ولكن وظائف الكلى لديهم ظلت مستقرة بخلاف ذلك. وهذا يشير إلى أن النموذج كان يرفع علامة تحذير صحيحة بناءً على بيانات البول، ولكن كان بإمكان الأطباء البشريين استبعاد الإصابة الحقيقية بسهولة من خلال النظر إلى الصورة الكاملة. وأشار الباحثون إلى أن قرارات النموذج كانت شفافة؛ فمن خلال تحليل النص الذي عالجه، استطاعوا رؤية أي العبارات، مثل "انخفاض حرج في إنتاج البول" أو "ارتفاع الكرياتينين"، هي التي دفعت بالتنبؤ.

يُظهر هذا العمل أنه من الممكن نشر ذكاء اصطناعي متطور في بيئة سريرية دون الحاجة إلى قدرات حوسبة مستحيلة. ومن خلال تحويل البيانات الطبية المعقدة إلى تنسيق قابل للقراءة، يحاكي النظام الطريقة التي قد يراجع بها اختصاصي أمراض الكلى المخطط الطبي، حيث يربط قطع المعلومات المتباعدة في تقييم مخاطر متماسك. وتخلص الدراسة إلى أن مثل هذه الأداة يمكن أن تعمل كعين ثانية قيمة في وحدة العناية المركزة، مما يضمن عدم تسلل أي مريض من خلال الثغرات. وبينما تم تدريب النموذج على بيانات تاريخية ويتطلب المزيد من الاختبار في بيئات المستشفيات في الوقت الفعلي، فإن النت النتائج تشير إلى مسار عملي للمضي قدمًا. فهي تقدم وسيلة للإمساك بإصابة الكلى في وقت مبكر، مما يسمح للأطباء بالتدخل في وقت أقرب، ويحتمل أن يمنع الضرر طويل الأمد، وكل ذلك مع العمل على أجهزة يمكن للمستشفيات تحمل تكلفتها وصيانتها فعليًا.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 📄 medicine →