Development and external validation of a machine-learning model for echocardiography-detected left ventricular systolic dysfunction in patients with sepsis: a dual-center retrospective cohort study

تخيل جسم الإنسان كمدينة صاخبة. عندما تضرب عاصفة هائلة وفوضوية — ما يسميه الأطباء إنتانًا (Sepsis)، وهو رد فعل مهدد للحياة تجاه العدوى — تتعرض البنية التحتية للمدينة لضربات قوية. وأحياناً، تبدأ محطات الطاقة التي تُبقي المدينة تعمل، وتحديداً غرفة الضخ الرئيسية في القلب (البطين الأيسر)، في التعثر أو التباطؤ. يُسمى هذا خلل الوظيفة الانقباضية للبطين الأيسف (LVSD). الأمر يشبه فقدان المولد الرئيسي للمدينة لإيقاعه. عادة ما يتحقق الأطباء مما إذا كان هذا المولد يعمل عن طريق أخذ "لقطة" للقلب باستخدام الموجات الصوتية، وهو اختبار يسمى تخطيط صدى القلب (Echocardiogram). ومع ذلك، فإن النظر في اللقطة بعد بدء العاصفة بالفعل أمر صعب؛ فمن الصعب معرفة ما إذا كان المولد قد تعطل بسبب العاصفة، أم أنه كان مهتزاً بالفعل قبل وصول العاصفة، أو أنه يتصرف بغرابة فقط بسبب المطر والرياح.

لحل هذا اللغز، يتجه العلماء إلى تعلم الآلة (Machine Learning). فكر في هذا ليس كروبوت طبيب، بل كمحقق ذكي للغاية يمكنه النظر في آلاف الأدلة في وقت واحد — مثل عمر المريض، ونتائج فحوصات الدم، والتاريخ الطبي السابق — للعثور على أنماط خفية قد تغفل عنها العين البشرية. السؤال الكبير هو: هل يمكننا تعليم هذا المحقق الرقمي أن ينظر إلى مريض يعاني من الإنتان ويخمن، بدقة معقولة، ما إذا كانت لقطة قلبه ستظهر مضخة ضعيفة، دون إجراء الفحص الفعلي أولاً؟ لا يتعلق هذا الأمر بإيجاد علاج أو إثبات "لماذا" فشل القلب بالضبط، بل ببناء أداة تنبؤ موثوقة لمجموعة محددة جداً من المرضى المرضى.

---

ملف قضية المحقق الرقمي الجديدة

في هذه الدراسة، قرر فريق من الباحثين من مستشفى ليني للأمراض في الصين وقاعدة بيانات MIMIC-IV (أرشيف رقمي ضخم لسجلات وحدة العناية المركزة) بناء واختبار هذا النوع من أدوات التنبؤ. أرادوا إنشاء نموذج يمكنه تقدير احتمالية العثور على مضخة قلب ضعيفة لدى المرضى المصابين بالإنتان الذين يخضعون بالفعل لفحصات للقلب.

الإعداد: حيان مختلفان
للتأكد من أن محققهم لا يحفظ مجرد "حي" محدد، قاموا بتدريبه في مكانين مختلفين تماماً. أولاً، استخدموا بيانات من 809 مرضى من قاعدة بيانات MIMIC-IV (معظمهم من الولايات المتحدة) لتعليم النموذج. ثم اختبروه على 235 مريضاً من مستشفى ليني للأمراض في الصين. هذا يشبه تدريب لاعب شطرنج على مباريات لُعبت في نيويورك، ثم رؤيته وهو يخوض مباراة في بكين. الهدف هو معرفة ما إذا كان النموذج يمكنه التعامل مع "انزياح البيانات" (Dataset Shift) — أي حقيقة أن المرضى في المستشفيات المختلفة يبدون مختلفين (أعمار مختلفة، أمراض شائعة مختلفة، طرق مختلفة لتسجيل البيانات).

الأدلة: ما الذي نظر إليه النموذج؟
لم يلقِ الباحثون بكل رقم ممكن أمام النموذج. لقد بدأوا بـ 27 دليلاً محتملاً، مثل العمر، والجنس، وضغط الدم، ومختلف فحوصات الدم. وباستخدام طريقة إحصائية تسمى LASO (والتي تعمل كمحرر صارم، يستبعد الحشو غير الضروري)، قلصوا القائمة إلى أهم المشتبه بهم. تضمنت القائمة النهائية تسعة أدلة رئيسية وهي:

• ln(NT-proBNP): علامة دموية محددة ترتفع عندما يتعرض القلب للإجهاد (وقد أحب النموذج هذا الدليل أكثر من غيره).
• تاريخ من فشل القلب: ما إذا كان المريض قد عانى من مشاكل في القلب سابقاً.
• مرض الشرايين التاجية: انسداد في أنابيب القلب.
• تروبونين T (Troponin T): بروتين يتسرب عندما تتضرر عضلة القلب.
  بل واللاكتات في الدم (Blood Lactate): علامة على مدى الإجهاد الذي يتعرض له الجسم.
• درجة SOFA: وهي وسيلة معيارية لقياس مدى شدة مرض المريض في وحدة العناية المركزة.
• العمر، الجنس، وتاريخ السكري/الانسداد الرئوي المزمن (COPD).

المسابقة: من يفوز بوظيفة المحقق؟
لم يكتفِ الفريق باختيار خوارزمية واحدة؛ بل أقاموا بطولة لـ عشرة نماذج مختلفة من تعلم الآلة، بما في ذلك Random Forest وXGBoost وCatBoost. تركوا هذه النماذج تتواجه على بيانات التدريب ليروا من منها يستطيع رصد القلوب الضعيفة بشكل أفضل.

• البطل الداخلي: داخل بيانات التدريب، حقق نموذج Random Forest أعلى درجة بالفعل.
• الناجي من العالم الحقيقي: ولكن عند نقل النماذج إلى الاختبار الخارجي (المستشفى الصيني)، تغيرت التصنيفات. برز نموذج CatBoost كأكثر أداءً واستقراراً. لم يرتبك بسبب الاختلافات بين المستشفيين كما حدث مع النماذج الأخرى.

النتائج: ما مدى جودة التخمين؟
عندما نظر نموذج CatBoost إلى المرضى الـ 235 في المجموعة الخارجية، أصاب الإجابة الصحيحة حوالي 76.2% من المرات.

• حدد بشكل صحيح 65.5% من المرضى الذين يعانون بالفعل من ضعف في القلب (الحساسية/Sensitivity).
• حدد بشكل صحيح 79.7% من المرضى الذين يتمتعون بقلوب سليمة (النوعية/Specificity).
• كان "درجة الثقة" للنموذج (Brier score) هو 0.150، مما يشير إلى أن التنبؤات كانت معايرة بشكل جيد معقول، مما يعني أنه إذا قال النموذج إن هناك احتمال 70% لوجود مشكلة، فإنه عادة ما يكون قريباً من الصواب.

الـ "لماذا" وراء الـ "ماذا"
لفهم لماذا وضع النموذج تخميناته، استخدم الباحثون أداة تسمى SHAP. تخيل هذا ككشاف ضوئي يسلط الضوء على الأدلة التي استخدمها النموذج أكثر من غيرها. أظهر الكشاف أن ln(NT-proBNP) (علامة إجهاد القلب) وتاريخ فشل القلب كانا أكبر المساهمين في قرار النموذج. ومن المثير للاهتمام أن النموذج استخدم أيضاً درجة SOFA (مدى شدة مرض المريض) لإجراء التنبؤات، على الرغم من أن الإحصاءات القياسية قالت إن هذه الدرجة لم تكن دليلاً مستقلاً قوياً. وهذا يوضح أن نموذج تعلم الآلة وجد نمطاً دقيقاً فات على الرياضيات التقليدية، لكن المؤلفين حذروا من أن هذا لا يعني أن درجة SOFA هي التي تسبب مشكلة القلب، بل يعني فقط أن النموذج وجدها مفيدة للتخمين.

ما لا يفعله النموذج
من الضروري فهم ما لا يدعيه هذا البحث. الباحثون واضحون جداً:

• لا توجد سببية: العثور على قلب ضعيف لدى مريض يعاني من الإنتان لا يعني أن الإنتان هو الذي سببه. قد يكون المريض يعاني من قلب ضعيف قبل مرضه. النموذج يتنبأ بـ الملاحظة، وليس بـ السبب.
• ليس بديلاً للفحوصات: هذه الأداة لا يمكن أن تحل محل تخطيط صدى القلب الفعلي. إنها وسيلة لتقدير احتمالية وجود نتيجة ما، وليست تشخيصاً.
• ليس قاعدة عامة: يعمل النموذج فقط للمرضى الذين يخضعون بالفعل لفحوصات القلب. لا يمكنه التنبؤ بمشاكل القلب في كل مريض يعاني من الإنتان، بل فقط في تلك المجموعة المحددة التي يُطلب لها إجراء الفحص.

الخلاصة
خلصت الدراسة إلى أن نموذج CatBoost هو أداة واعدة لتقدير احتمالية العثور على مضخة قلب ضعيفة لدى مرضى الإنتان الذين يخضعون بالفعل لفحوصات القلب. لقد صمد جيداً عند اختباره عبر مستشفيين مختلفين تماماً، مما أظهر قدرته على التعامل مع فوضى الواقع. ومع ذلك، يحذر المؤلفون من أن هذه ليست سوى البداية. فقبل أن يتمكن الأطباء من استخدام هذا في المستشفى لاتخاذ القرارات، يحتاج النموذج إلى الاختبار في دراسات مستقبلية حيث يتم التحكم بدقة في توقيت فحوصات القلب وتتبع حالة القلب بمرور الوقت. في الوقت الحالي، هو مساعد ذكي ومفيد، لكنه ليس "الزعيم النهائي" في تشخيص القلب.