Applying Machine Learning for the Prediction of Tuberculosis Among People Living with HIV from Health Facilities in Addis Ababa, Ethiopia
تُظهر هذه الدراسة أن نموذج تعلم الآلة "XGBoost"، الذي تم تحسينه باستخدام نهج هجين يجمع بين "SMOTE" و"ENN"، يتنبأ بفعالية بحدوث مرض السل بين الأشخاص المتعايشين مع فيروس نقص المناعة البشرية في أديس أبابا من خلال تحديد عوامل الخطر الرئيسية مثل نظام العلاج بمضادات فيروس نقص المناعة البشرية (ART)، واستخدام العلاج الوقائي للسل (TPT)، ووزن المريض من بيانات المرافق الصحية.
تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من البحث عن جوهرة مسروقة، أنت تطارد مرضاً متسللاً يسمى السل (TB). الآن، تخيل أن المشتبه بهم هم الأشخاص المتعايشون مع فيروس نقص المناعة البشرية (HIV). في عالم الطب، يضعف فيروس نقص المناعة البشرية درع الجسم، مما يجعل من السهل جداً على مرض السل التسلل والتسبب في المتاعب. عادةً، يضطر الأطباء للعب لعبة "التخمين والتحقق"، حيث يبحثون عن أعراض قد تكون ناتجة عن السل أو مجرد أمراض أخرى شائعة. الأمر يشبه محاولة العثور على إبرة محددة في كومة قش وأنت ترتدي قفازات سميكة. ولكن ماذا لو كان لديك مساعد حاسوبي فائق الذكاء؟ هنا يأتي دور "تعلم الآلة" (Machine Learning). فكر في تعلم الآلة كمحقق رقمي لا ينظر فقط إلى دليل واحد؛ بل يبتلع آلاف السجلات المرضية، ويتعلم منها، ويبدأ في رصد الأنماط التي قد تخفى على العين البشرية. إنه يشبه تعليم الكمبيوتر قراءة "توقعات الطقس" لصحة المريض للتنبؤ بما إذا كانت عاصفة (السل) قادمة قبل أن يبدأ المطر في الهطول فعلياً. هذا هو بالضبط ما أراد العلماء في أديس أبابا، إثيوبيا، فعله: بناء كرة بلورية رقمية لمساعدة الأطباء في اكتشاف السل مبكراً لدى المصابين بفيروس نقص المناعة البشرية، وإنقاذ الأرواح قبل أن يشتد المرض.
قرر الباحثون في هذه الدراسة اختبار هذه الفكرة باستخدام بيانات حقيقية من أربع مستشفيات في أديس أبابا. لقد جمعوا معلومات من ما يقرب من 17,000 مريض بالغ يتناولون بالفعل أدوية لفيروس نقص المناعة البشرية. ثم أدخلوا هذا الكم الهائل من البيانات في جهاز كمبيوتر، ليعلمه كيفية البحث عن العلامات التي تظهر عادةً مباشرة قبل تشخيص المريض بالسل. تضمنت البيانات كل شيء، بدءاً من المدة التي قضاها المريض في تناول أدوية فيروس نقص المناعة البشرية، ووزنه، وما إذا كان يتناول حبوباً وقائية إضافية، وصولاً إلى عمره وجنسه.
بعد تدريب الكمبيوتر، اختبر الفريق عدة خوارزميات "تحقيق" مختلفة لمعرفة أيها الأكثر حدة. ووجدوا أن نوعاً معيناً من نماذج تعلم الآلة، يسمى "XGBoost"، كان الفائز الواضح. لقد كان مثل اللاعب النجم في فريق رياضي، حيث تفوق على جميع الآخرين. تمكن هذا النموذج من تحديد "النتيجة" الإجمالية (الدقة) بشكل صحيح بنسبة 98% من الوقت. ومع ذلك، كان الباحثون حذرين في ملاحظة أنه بينما كان بارعاً في رصد الصورة العامة، إلا أنه لم يكن مثالياً في اصطياد كل حالة سل دون إطلاق بعض الإنذارات الكاذبة. كانت نسبة "الاستدعاء" (Recall) لدى النموذج (مدى جودة العثور على حالات السل الفعلية) هي 80%، بينما كانت نسبة "الدقة" (Precision) (مدى تأكده عندما يقول "نعم، هذا هو السل") هي 25%. وهذا يعني أنه بينما اصطاد معظم الحالات الحقيقية، فقد صنف أيضاً بعض الأشخاص الأصحاء كمرضى محتملين، وهو تحدٍ شائع عندما يكون المرض نادراً مقارنة بالسكان الأصحاء.
إذاً، ما هي الأدلة التي وجدها هذا النموذج فائق الذكاء الأكثر أهمية؟ تبين أن أقوى الإشارات لم تكن تتعلق فقط بعمر المريض أو مكان سكنه. فقد أشار النموذج إلى علاجات طبية وإحصائيات جسدية محددة كأكبر المؤشرات. كان نوع العلاج الذي يتلقاه المريض لفيروس نقص المناعة البشرية (نظام العلاج بمضادات الفيروسات القهقرية - ART)، وما إذا كان يتناول حبة خاصة للوقاية من السل (TPT)، وما إذا كان يتناول مضاداً حيوياً يسمى "كوتريموكسازول" (cotrimoxazole)، هي العوامل الأهم. وشملت الأدلة الكبيرة الأخرى عدد الأشهر التي قضاها المريض في العلاج، ووزن جسمه، ومدى كفاءة وظائف جسمه اليومية.
تشير الدراسة إلى أنه من خلال استخدام نموذج "XGBoost" هذا، يمكن للأطباء الحصول على تنبيه مسبق بشأن المرضى الأكثر عرضة لخطر الإصابة بالسل. إنه ليس عصا سحرية تحل كل شيء — فلا يزال النموذج بحاجة إلى الاختبار مع المزيد من البيانات والمعلومات الأفضل لرفع أرقام الدقة تلك — ولكنه يظهر مساراً واعداً للغاية للمضي قدماً. ويخلص الباحثون إلى أن هذا النهج الرقمي يمكن أن يساعد العاملين في مجال الصحة في إثيوبيا وخارجها ليكونوا أكثر استباقية، عبر توجيه جهود الفحص نحو الأشخاص الذين هم في أمس الحاجة إليها، بدلاً من التخمين. إنها خطوة نحو تغيير موازين المعركة ضد هذا المزيج المميت من الأمراض، من خلال السماكن التكنولوجيا لمساعدة الأطباء على رؤية المستقبل بوضوح أكبر قليلاً.
ملخص تقني: تعلم الآلة للتنبؤ بالسل لدى الأشخاص المتعايشين مع فيروس نقص المناعة البشرية في أديس أبابا
بيان المشكلة لا يزال السل يمثل سبباً رئيسياً للوفاة عالمياً، لا سيما بين الأشخاص المتعايشين مع فيروس نقص المناعة البشرية (PLWHIV). وفي إثيوبيا، يعد السل السبب الرئيسي للوفاة لهذه الفئة الديموغرافية، حيث يمثل حوالي 40% من الوفيات المرتبطة بمرض الإيدز. ويعوق التشخيص المبكر الأعراض السريرية غير المحددة، والعدوى الانتهازية المصاحبة، والقيود في طرق الفحص التقليدية. ورغم أن حالة الإصابة بفيروس نقص المناعة البشرية تزيد من خطر الإصابة بالسل، إلا أنها لا تفسر تماماً حدوث السل، مما يستدعي تحديد محددات سريرية ومناعية وديموغرافية واجتماعية إضافية. تهدف الدراسة إلى تطوير والتحقق من صحة نموذج تعلم آلي (ML) للتنبؤ بحالات السل بين الأشخاص المتعايشين مع فيروس نقص المناعة البشرية باستخدام بيانات المرافق الصحية الروتينية لدعم تصنيف المخاطر المبكر والتدخل المستهدف.
المنهجية استخدمت الدراسة تصميماً بحثياً تجريبياً كمياً باستخدام بيانات ثانوية من أربع مرافق صحية عامة في أديس أبابا: مستشفى دماوي منليك الثاني، مستشفى يكيت 12، مستشفى زويديتو التذكاري، ومركز إنتوت 2 الصحي.
مجموعة البيانات: شمل التحليل 16,698 مريضاً بالغاً يتلقون حالياً العلاج بمضادات الفيروسات القهقرية (ART) لمدة ستة أشهر على الأقل. وكان المتغير التابع هو حالة تشخيص السل النشط (إيجابي/سلبي).
الميزات (Features): شملت المتغيرات المستقلة العوامل الاجتماعية والديموغرافية (العمر، الجنس، الوزن، الحالة الاجتماعية، إلخ)، والعوامل السريرية (عدد أشهر العلاج بـ ART، مرحلة منظمة الصحة العالمية، الحالة الوظيفية)، والمؤشرات الدموية/المناعية (تعداد خلايا CD4، الحمل الفيروسي)، وعوامل العلاج (نظام علاج ART، العلاج الوقائي للسل [TPT]، الوقاية بالكوتريموكسازول [CPT]).
المعالجة المسبقة للبيانات:
التنظيف: تم استبعاد ثمانية ميزات تحتوي على بيانات مفقودة بنسبة تزيد عن 50% (مثل الدين، المهنة، الحمل الفيروسي). وتم تعويض القيم المفقودة في الميزات الرقمية (العمر، CD4) بالمتوسط، وجرعة ART بالوسيط. أما القيم المفقودة للفئات النوعية فقد تم تعويضها بالمنوال.
اختيار الميزات: حدد تحليل الارتباط وجود ارتباطات إيجابية عالية بين "الأيام منذ تشخيص فيروس نقص المناعة البشرية" و"أشهر العلاج بـ ART" (r=0.81)، وبين "العمر" و"أشهر العلاج بـ ART" (r=0.65). وبناءً على ذلك، تمت إزالة "الأيام منذ تشخيص فيروس نقص المناعة البشرية" و"جرعة ART" لتحسين كفاءة النموذج.
التحجيم والترميز: تم ترميز المتغيرات الفئوية (Label Encoding)، وتم تطبيع الميزات الرقمية باستخدام تحجيم الحد الأدنى والأقصى (Min-Max scaling) من (0 إلى 1).
التعامل مع عدم التوازن: نظراً لعدم التوازن الكبير في البيانات (98% حالات سلبية)، قيمت الدراسة تقنيات موازنة مختلفة. وقد تم اختيار الطريقة الهجينة التي تجمع بين تقنية الإفراط في أخذ العينات الاصطناعية (SMOTE) مع طريقة الجيران الأقرب المعدلة (ENN) كنهج أمثل.
تقسيم البيانات: تم تقسيم مجموعة البيانات إلى 70% للتدريب، 15% للتحقق، و15% للاختبار.
مقاييس التقييم: تم تقييم الأداء باستخدام الدقة (Accuracy)، الضبط (Precision)، الاستدعاء (Recall)، مقياس F1، F-Beta (مع β=2 لإعطاء وزن أكبر للاستدعاء)، معامل ارتباط ماثيوز (MCC)، والمساحة تحت منحنى خصائص تشغيل المستقبِل (AUC).
النتائج الرئيسية
أداء النموذج: لم يتفوق نموذج واحد على جميع النماذج الأخرى في كل مقياس، ولكن XGBoost أظهر أقوى أداء إجمالي.
الأداء المقارن: حققت الغابة العشوائية دقة عالية (97%) وAUC (95%). كما أظهرت نماذج SVM والانحدار اللوجستي استدعاءً أعلى (92% و88% على التوالي) ولكن بضبط أقل.
الضبط مقابل الاستدعاء: تشير الدراسة إلى أنه بينما كان XGBoost ذا ضبط منخفض (25%)، إلا أنه وازن بفعالية بين الضبط والاستدعاء (F1: 38%) وحافظ على AUC مرتفع، مما يشيز إلى قدرة قوية على التمييز بين الفئات.
أهمية الميزات (تحليل SHAP): باستخدام قيم SHAP (تفسيرات شابلِي المضافة) على نموذج XGBoost، تم تحديد أقوى المتنبئات بحدوث السل أو الوقاية منه كالتالي:
نظام علاج ART (متوسط قيمة SHAP المطلقة: 1.4)
تناول العلاج الوقائي للسل (TPT) (1.2)
الوقاية بالكوتريموكسازول (1.1)
أشهر العلاج بـ ART
وزن المريض
الحالة الوظيفية
الجنس، العمر، وتعداد خلايا CD4 تبعت في الأهمية.
الأهمية والادعاءات تدعي الورقة أن XGBoost أداة قابلة للتطبيق للتنبؤ بحالات السل بين الأشخاص المتعايشين مع فيروس نقص المناعة البشرية في سياق أديس أبابا، متفوقاً على النماذج الأخرى في الدقة، وAUC، ومعامل MCC. وتسلط الدراسة الضوء على أن عوامل علاجية محددة — ولا سيما نظام علاج ART، وبدء العلاج الوقائي للسل (TPT)، والوقاية بالكوتريموكسازول — هي محددات حاسمة لخطر الإصابة بالسل، وهو ما يتماشى مع توصيات منظمة الصحة العالمية العالمية والدراسات الإقليمية السابقة (مثل دبر ماركوس، الصين).
وتضع الدراسة نفسها كخطوة نحو تحسين الكشف المبكر والفحص المستهدف. ومن خلال تحديد الأنماط المعقدة وغير الخطية في البيانات السريرية واسعة النطاق، يهدف نهج تعلم الآلة المقترح إلى دعم تصنيف المخاطر والتدخل في الوقت المناسب، مما قد يقلل من المراضة والوفيات المرتبطة بالسل في هذه الفئة الضعيفة. وتؤكد الدراسة أنه بينما يظل "الضبط" تحدياً بسبب عدم توازن البيانات، فإن الاستدعاء العالي وAUC لنموذج XGBoost يجعلان منه مناسباً لتحديد المرضى المعرضين للخطر حيث يمكن أن يكون تفويت حالة (سالب كاذب) أمراً مميتاً.
القصور والتواضع يقر المؤلفون بأن درجات الضبط المنخفضة عبر النماذج هي نتيجة محتملة لعدم توازن مجموعة البيانات بشكل كبير. ويشيرون إلى أنه بينما يعمل النموذج بشكل جيد مع البيانات المتاحة، فإن إجراء المزيد من الاختبارات مع ميزات إضافية وبيانات عالية الجودة مطلوب لتحسين الضبط. ولا تدعي الدراسة أن النموذج هو أداة تشخيصية مستقلة، بل هو نظام دعم تنبئي لتصنيف المخاطر.