Novel Transparent Machine Learning Algorithm - Predicting Sepsis from Routine ED Data.
تقدم هذه الدراسة الاستعادية للأتراب خوارزمية تعلم آلي جديدة وشفافة تماماً (ShAproxRef) تقرب نموذج شبكة عصبية "صندوق أسود" للتنبؤ بتعفن الدم من بيانات روتينية من أقسام الطوارئ بدقة مماثلة (0.82 مساحة تحت المنحنى في الاختبار الخارجي)، مما يعزز الثقة السريرية ويسهل التنفيذ.
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 البيئة الفوضوية وعالية المخاطر لأقسام الطوارئ في المستشفيات، يعد الوقت المورد الأكثر أهمًا. فكل ساعة تمر قبل تلقي المريض المصاب بتعفن الدم (الإنتان) للعلاج تزيد من خطر وفاته بنسبة تقارب ثمانية بالمائة. تعفن الدم هو رد فعل مهدد للحياة تجاه عدوى، وبينما لا يكون العلاج نفسه معقدًا، فإن تحديد الحالة مبكرًا أمر صعب للغاية. يعتمد الأطباء على الخوارزميات — وهي برامج حاسوبية مصممة لرصد الأنماط في بيانات المرضى — للمساعدة في تحديد أولئ أولئك المعرضين للخطر. ومع ذلك، فإن أقوى هذه الأدوات غالبًا ما تعمل كـ "صناديق سوداء"؛ فهي تأخذ معلومات المريض وتخرج درجة خطورة، لكنها لا تستطيع شرح لماذا توصلت إلى تلك النتيجة. هذا النقص في الشفافية يجعل الأطباء مترددين في الوثوق بها، حيث لا يستطيع الطبيب تبرير قرار ما لمريض أو لزميل إذا كان المنطق وراءه مخفيًا داخل كود معقد وغير قابل للقراءة. ولحل هذه المشكلة، لجأ الباحثون إلى طريقة للعدالة الرياضية تسمى "قيم شابلي" (Shapley values)، والتي طُورت في الأصل في نظرية الألعاب لتقسيم الأرباح بشكل عادل بين اللاعبين بناءً على مساهماتهم الفردية. ومن خلال تكييف هذا المفهوم، يستطيع العلماء الآن تفكيك تنبؤ معقد إلى أجزاء بسيطة ومفهومة، مما يوضح بالضبط مقدار مساهمة كل جزء من السجل الصحي للمريض في الإنذار النهائي.
وضع فريق من الباحثين من معهد أبحاث السرطان، وجامعة كوليدج لندن، وإمبريال كوليدج لندن، خطة لبناء نوع جديد من كاشفات تعفن الدم يكون دقيقًا وشفافًا تمامًا في آن واحد. لقد عملوا مع السجلات الصحية الإلكترونية من مؤسستين تابعتين لهيئة الخدمات الصحية الوطنية (NHS) في المملكة المتحدة، حيث حللوا بيانات أكثر من 28,000 زيارة للمرضى. كان هدفهم هو التنبؤ بما إذا كان المريض سيُشخص في النهاية بتعفن الدم باستخدام المعلومات المتاحة فقط في اللحظة التي يدخل فيها من باب غرفة الطوارئ. شمل ذلك العلامات الحيوية الروتينية مثل معدل ضربات القلب، ودرجة الحرارة، وضغط الدم، بالإضافة إلى البيانات الديموغرافية الأساسية وتاريخ من الحالات الصحية الموجودة. قام الفريق أولًا ببناء نموذج حاسوبي قوي ومعياري يُعرف بالشبكة العصبية، وهو نموذج ممتاز في إيجاد الأنماط ولكنه يصعب تفسيره للغاية. ثم استخدموا طريقتهم المبتكرة لإنشاء نموذج ثانٍ يحاكي تنبؤات النموذج الأول، ولكنه يفعل ذلك باستخدام منطق واضح وخطوة بخطوة يمكن لأي إنسان اتباعه. هذا النهج الجديد، الذي أطلقوا عليه اسم "ShAprox"، حول الحسابات الخفية للشبكة العصبية إلى صيغة شفافة حيث يكون لكل عامل، من العمر إلى ضغط الدم، وزن مرئي وقابل للتفسير.
أظهرت نتائج الدراسة أن هذا النهج الشفاف كان فعالًا بقدر النموذج المعقد والخفي. فعند اختباره على بيانات من المستشفيات التي تم تدريبه فيها، حدد النموذج الشفاف حالات تعفن الدم بشكل صحيح بدرجة أداء بلغت 0.74، وهو ما يقارب تقريبًا درجة 0.75 للشبكة العصبية الأصلية. والأهم من ذلك، عندما اختبر الفريق النموذج على بيانات من مستشفى مختلف تمامًا لمعرفة ما إذا كان سيعمل في بيئة جديدة، حقق النموذج الشفاف أداءً أفضل قليلاً، حيث سجل 0.82 مقارنة بـ 0.81 للشبكة العصبية. يشير هذا إلى أن الطريقة الجديدة ليست دقيقة فحسب، بل هي أيضًا قوية بما يكفي للتعامل مع الاختلافات الواقعية الفوضوية الموجودة في المستشفيات المختلفة. وجد الباحثون أن النموذج اعتمد بشكل كبير على العلامات الأكثر وضوحًا للمرض، مثل درجة الحرارة وضغط الدم، ولكنه سلط الضوء أيضًا على أهمية العوامل الأقل وضوحًا. على سبيل المثال، كان عمر المريض وحالات صحية سابقة محددة، مثل الليمفوما أو أمراض الكبد، مساهمات كبيرة في التنبؤ. حتى أن النموذج لاحظ أن المرضى من العرق الباكستاني بدوا أقل عرضة لإطلاق الإنذار، وهو اكتشاف عزاه الباحثون إلى اختلافات محتملة في كيفية تسجيل البيانات في أحد المواقع بدلاً من كونه حقيقة بيولوجية، وهو فارق كان من المستحيل رصده بدون نظام شفاف.
تكمن القيمة الحقيقية لهذا العمل في قدرته على سد الفجوة بين التكنولوجيا المتقدمة والثقة البشرية. في غرفة طوارئ مزدحمة، يحتاج الطبيب ليس فقط لمعرفة أن المريض معرض للخطر، بل لماذا يعتقد الحاسوب ذلك. يحقق الخوارزمي الجديد هذا من خلال تخصيص درجة مساهمة محددة لكل قطعة من البيانات. فإذا كان لدى المريض حمى عالية، يضيف النموذج مقدارًا محددًا إلى درجة الخطورة؛ وإذا كان لديه تاريخ من الإصابة بالسرطان، يضيف مقدارًا آخر. هذا يشبه كيفية قيام الطبيب ذهنيًا بوزن الأعراض المختلفة للوصول إلى تشخيص، لكن الحاسوب يفعل ذلك بدقة واتساق رياضيين. وعلى عكس أنظمة التسجيل الأخرى التي يمكن أن تقفز بشكل حاد مع تغير طفيف في علامة حيوية واحدة، يتغير تنبؤ هذا النموذج بسلاسة، مما يعكس الطبيعة التدريجية لتدهور حالة المريض. وجد الباحثون أيضًا أنه يمكنهم تبسيط النموذج بشكل أكبر عن طريق إزالة الميزات التي لا تضيف قيمة كبيرة، دون فقدان أي دقة. وهذا يعني أنه يمكن جعل الأداة أكثر رشاقة وأسهل في الاستخدام في المستقبل.
من خلال إثبات أن نموذج تعلم الآلة يمكن أن يكون عالي الدقة وقابلًا للتفسير بالكامل، تقدم هذه الدراسة مسارًا قابلاً للتنفيذ نحو تطبيق الذكاء الاصطناعي في الرعاية الصحية. ويؤكد الباحثون أن هدفهم لم يكن استبدال الأطباء، بل توفير أداة تدعم الحكم السريري. ولأن المنطق وراء كل تنبؤ مرئي، يمكن للأطباء إما الموافقة على الإنذار، أو تجاوزُه بثقة إذا كانت خبرتهم تشير إلى تشخيص مختلف. هذه الشفافية ضرورية للتبني؛ فبدونها، حتى أكثر الخوارزميات دقة تخاطر بأن يتم تجاهلها. وتخلص الدراسة إلى أنه باستخدام البيانات الروتينية التي تُجمع بالفعل، مثل العلامات الحيوية والبيانات الديموغرافية الأساسية، يمكن للمستشفيات اكتشاف تعفن الدم في أبكر لحظة ممكنة. ويمكن أن يؤدي هذا الاكتشاف المبكر إلى علاج أسرع، وحالات أقل خطورة، وفي نهاية المطاف، إنقاذ المزيد من الأرواح، كل ذلك مع إبقاء عملية اتخاذ القرار واضحة ومفهومة للبشر الذين يجب عليهم التصرف.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.