Integrating Radiology Report Text and Structured Clinical Features for Predicting One- Year Mortality in Osteomyelitis: A Retrospective Multimodal Study
تُظهر هذه الدراسة الاستعادية متعددة الوسائط أن دمج نصوص تقارير الأشعة غير المهيكلة مع الميزات السريرية المهيكلة باستخدام نموذج تجميع تراكبي لتعلم الآلة يحسن بشكل كبير من التنبؤ بالوفاة خلال عام واحد لدى المرضى المصابين بالتهاب العظم والنقي مقارنة بالنهج التقليدية.
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 التهابات العظام مشكلة مستعصية وخطيرة على جسم الإنسان؛ فعندما تغزو البكتيريا العظام، يمكن أن تسبب الألم، وتدمر الأنسجة، وتنتشر عبر مجرى الدم، مما يؤدي إلى مرض شديد أو الوفاة. لطالما اعتمد الأطباء على مزيج من الأدوات للتنبؤ بحالة المريض: فهم يراقبون اختبارات الدم، ويتحققون من العلامات الحيوية مثل معدل ضربات القلب ودرجة الحرارة، ويراجعون التاريخ الطبي للمريض. كما يفحصون الأشعة السينية والمسوحات الأخرى، ولكن تقليديًا، كانت الأوصاف المكتوبة لتلك المسوحات — أي تقارير الأشعة — تُعامل ككيان منفصل عن الأرقام الصلبة. تحتوي هذه التقارير على قصص غنية ومفصلة حول موقع العدوى، ومدى عمقها، وما إذا كانت تزداد سوءًا، ومع ذلك غالبًا ما تجد الحواسيب صعوبة في قراءة هذه السرديات. وفي العصر الحديث للطب، حيث تُخزن كميات هائلة من بيانات المرضى إلكترونيًا، يتساءل الباحثون سؤالًا بسيطًا: إذا علمنا الحواسيب قراءة هذه القصص المفصلة جنبًا إلى جنب مع الأرقام القياسية، فهل يمكننا التنبؤ بمن هم الأكثر عرضة لخطر الوفاة بسبب عدوى العظام بدقة أكبر من ذي قبل؟
لقد وضع فريق من الباحثين هدفًا للإجابة على هذا السؤال من خلال بناء نوع جديد من النماذج الحاسوبية للتنبؤ بالمرضى المصابين بالتهاب العظم والنقي (osteomyelitis) الذين لن ينجوا خلال العام التالي. وقد لجأوا إلى مجموعة ضخمة وعامة من السجلات الطبية مجهولة المصدر من وحدات العناية المركزة، والمعروفة باسم MIMIC-IV. ومن قاعدة البيانات هذه، حدد الباحثون ما يقرب من ثلاثة آلاف مريض تم تشخيص إصابتهم بعدوى عظمية وكان لديهم تقارير أشعة مرتبطة بها. جمع الباحثون نوعين متميزين من المعلومات لكل مريض؛ النوع الأول كان البيانات المهيكلة: وهي الأرقام والفئات القياسية التي يستخدمها الأطباء يوميًا، مثل العمر، والجنس، ومعدل ضربات القلب، وضغط الدم، ونتائج اختبارات الدم مثل تعداد خلايا الدم البيضاء وعلامات وظائف الكلى. والنوع الثاني كان النصوص غير المهيكلة: وهي الجمل الفعلية التي يكتبها أخصائيو الأشعة لوصف المسوحات. ولجعل هذا النص قابلاً للاستخدام من قبل الحاسوب، استخدم الباحثون أداة لغوية متطورة تحول الجمل إلى قائمة كثيفة من الأرقام، مما يلتقط معنى وسياق الكلمات دون الحاجة إلى تدخل بشري لاختيار الكلمات المفتاحية يدويًا.
قام الفريق بعد ذلك بتدريب عدة أنظمة مختلفة من التعلم الحاسوبي لإيجاد الأنماط في هذه البيانات المدمجة. واختبروا مجموعة متنوعة من الأساليب، تراوحت من النهج الإحصائية البسيطة إلى الأنظمة الأكثر تعقيدًا التي تتعلم من خلال اتخاذ العديد من القرارات الصغيرة. كان الهدف هو معرفة ما إذا كان النموذج الذي يستطيع "قراءة" تقارير الأشعة سيقدم أداءً أفضل من النماذج التي تنظر فقط إلى الأرقام. وبعد تدريب الأنظمة على معظم بيانات المرضى، اختبروها على مجموعة منفصلة من المرضى الذين لم ترهم الحواسيب من قبل لضمان صحة النتائج. وأظهرت النتائج أن النهج الذي يجمع بين النصوص والأرقام قد نجح بشكل جيد جدًا؛ إذ استطاع النظام الأفضل أداءً، والذي جمع بين نقاط القوة في عدة نماذج مختلفة، التمييز بين المرضى الذين سيعيشون وأولئك الذين لن يعيشوا بنسبة دقة بلغت حوالي 80%. وكان هذا المستوى من الدقة أفضل بكثير مما توقعه الباحثون عند استخدام الأرقام وحدها، مما يشير إلى أن التقارير المكتوبة كانت تحمل أدلة حيوية تم التغاضي عنها سابقًا.
وعندما نظر الباحثون بتمعن فيما تعلمه الحاسوب، وجدوا أن أهم العوامل شملت عمر المريض وعلامات دموية محددة مثل "عرض توزيع الخلايا الحمراء"، الذي يشير إلى الالتهاب والحالة الغذائية. ومع ذلك، كشف التحليل أيضًا أن النص الوارد في تقارير الأشعة كان مؤشرًا قويًا. ومن خلال تتبع الأجزاء التي ركز عليها الحاسوب من النص، اكتشف الباحثون أن النموذج كان يلتقط تفاصيل محددة وذات مغزى؛ فقد لاحظ ذكر الكسور والصدمات، والتي غالبًا ما تفسر كيفية بدء العدوى. كما رصد التقارير التي تناولت أجهزة الوصول الوعائي، مثل القثطرة أو خطوط غسيل الكلى، وهي أمور شائعة لدى المرضى الذين يعانون من مشاكل صحية مزمنة. كما حدد أوصافًا لمشاكل الرئة، مثل تراكم السوائل أو انكماش الحويصلات الهوائية، وهي مضاعفات متكررة لدى المرضى الذين يعانون من حالة شلل أو في حالات العناية المركزة. ولعل الأمر الأكثر بروزًا هو أن النموذج انتبه إلى ما إذا كانت العدوى في الجانب الأيسل أم الأيمن من الجسم، وهو تفصيل غالبًا ما يُفقد عندما تُختزل البيانات إلى فئات بسيطة.
خلصت الدراسة إلى أن القصص المكتوبة في تقارير الأشعة ليست مجرد ملاحظات إدارية، بل هي مصدر غني للمعلومات حول صحة المريض المستقبلية. ومن خلال تعليم الحواسيب فهم هذه السرديات جنبًا إلى جنب مع القياسات الطبية القياسية، قد يحصل الأطباء قريبًا على صورة أكثر اكتمالًا عمن هم في خطر. ويؤكد الباحثون أنه بينما يظهر نموذجهم وعدًا كبيرًا، إلا أنه يعتمد على بيانات سابقة ويحتاج إلى اختبار في المستشفيات الواقعية قبل أن يمكن استخدامه لتوجيه قرارات العلاج. وفي الوقت الحالي، يثبت هذا العمل أن اللغة البشرية المستخدمة من قبل أخصائيي الأشعة تحتوي على طبقة خفية من القيمة التنبؤية، وهي طبقة تقدم — عند دمجها مع الأرقام الصلبة للطب الحديث — مسارًا أوضح لفهم شدة التهابات العظام.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.