Machine learning approaches for tuberculosis prevalence and risk factor association among high-risk groups in Kigali health facilities
تُظهر هذه الدراسة أن نماذج تعلم الآلة التجميعية، وتحديداً الغابة العشوائية المتوازنة، يمكنها تحديد عوامل الخطر ذات الأهمية السريرية لمرض السل بين الفئات الأكثر عرضة للخطر في كيغالي برواندا بفعالية، وذلك من خلال الاستفادة من السجلات الطبية الإلكترونية المعالجة بدقة مع منع تسرب المعلومات.
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
تخيل أنك محقق يحاول حل لغز ما، ولكن بدلاً من البحث عن بصمات الأصابع أو آثار الأقدام، أنت تبحث عن أنماط في مكتبة ضخمة من السجلات الطبية للمرضى. هذا هو عالم تعلم الآلة (Machine Learning)، وهو فرع من علوم الحاسوب حيث نعلم الحواسيب كيف تتعلم من البيانات، تماماً كما يتعلم الطالب من الكتاب المدرسي، حتى تتمكن من رصد الاتجاهات التي قد تغيب عن البشر. في العالم الطبي، يتضمن هذا غالباً السجلات الطبية الإلكترونية (EMRs)، وهي الملفات الرقمية التي يستخدمها الأطباء لتتبع تاريخ المريض، وأعراضه، ونتائج فحوصاته. السؤال الكبير الذي يطرحه الباحثون هو: هل يمكننا تعليم الكمبيوتر كيف ينظر إلى هذه الملفات الرقمية ويتنبأ بمن هو الأكثر عرضة للإصابة بمرض معين قبل حتى أن يحصل على نتيجة مخبرية نهائية؟ هذا أمر بالغ الأهمية لأن اكتشاف الأمراض مبكراً يمكن أن ينقذ الأرواح، خاصة في الأماكن التي تكون فيها الموارد محدودة والأطباء مثقلين بالأعباء.
الآن، دعونا نركز على لغز محدد: السل (TB). فكر في السل كمتسلل ماكر يختبئ في الجسم، وغالباً ما ينتظر ضعف الجهاز المناعي أو تعبه قبل أن يضرب. في رواندا، مجموعات معينة من الناس — مثل السجناء، وعمال المناجم، واللاجئين، والمصابين بفيروس نقص المناعة البشرية (HIV) — يشبهون من يسير في حقل ألغام؛ فهم معرضون لخطر أكبر بكثير لمواجهة هذا المتسلل. أراد الباحثون في هذه الدراسة معرفة ما إذا كان بإمكانهم بناء "محقق رقمي" باستخدام تعلم الآلة لمعرفة أي العوامل تجعل هذه المجموعات عالية الخطورة أكثر عرضة للسل، وذلك باستخدام بيانات من العالم الحقيقي من المرافق الصحية في كيغالي.
قام الفريق، بقيادة ثيوفيلا إيغوهوزو ومجموعة كبيرة من المتعاونين من جامعة رواندا وجامعة واشنطن، بجمع كومة ضخمة من السجلات الرقمية — 2,254 ملفاً طبياً لمرضى من الفئات عالية الخطورة في كيغالي. أرادوا معرفة ما إذا كان بإمكان الكمبيوتر تعلم تمييز علامات السل بمجرد النظر إلى أشياء مثل العمر، والوزن، وحالة الإصابة بفيروس نقص المناعة البشرية، وما إذا كان الشخص يعمل في منجم أو سجن. ومع ذلك، كان عليهم توخي الحذر الشديد. تخيل أنك تحاول حل لغز، ولكن شخصاً ما ترك مفتاح الحل بالخطأ داخل صندوق اللغز. إذا رأى الكمبيوتر مفتاح الحل (مثل نتيجة الفحص المخبري النهائي) أثناء تعلمه، فإنه سيقوم بمجرد الغش وحفظ الإجابات بدلاً من تعلم الأنماط فعلياً. ولمنع هذا "الغش"، قام الباحثون بتنقية البيانات بعناً، وإزالة أي أدلة تكشف مباشرة عن التشخيص النهائي قبل أن يبدأ الكمبيوتر تدريبه.
بعد ذلك، قاموا بتعليم سبعة أنواع مختلفة من "المحققين الرقميين" (نماذج تعلم الآلة) للنظر في البيانات المنقاة. بعضها كان بسيطاً، مثل روبوت يتبع قواعد أساسية، بينما كانت هناك نماذج "تجميعية" (ensemble) معقدة، حيث تعمل عدة نماذج معاً لاتخاذ قرار، تماماً مثل هيئة محلفين من الخبراء يصوتون على حكم. اختبروا هذه النماذج على مجموعة محددة مكونة من 358 مريضاً ليروا مدى أدائها.
كانت النتائج واعدة للغاية. فقد تبين أن نماذج "هيئة الخبراء"، وتحديداً نموذج يسمى الغابة العشوائية المتوازنة (Balanced Random Forest - BRF)، كانت هي المحقق الأكثر ذكاءً. فقد حددت حالات السل بشكل صحيح بنسبة 8% من المرات، وكانت جيدة جداً في التمييز بين المصابين بالمرض وغير المصابين به. وجدت الدراسة أن الكمبيوتر لم يكن يخمن عشوائياً؛ بل تعلم الانتباه للأشياء الصحيحة. كانت أهم الأدلة التي وجدها هي موقع المرض (سواء كان في الرئتين)، وعمر المريض، ومؤشر كتلة الجسم (BMI)، وما إذا كان الشخص مصاباً بـ فيروس نقص المناعة البشرية أو السكري. وهذه كلها أشياء يعرف الأطباء بالفعل أنها مهمة، وهو ما يعد إشارة جيدة — إذ يعني أن الكمبيوتر كان يتعلم بيولوجيا حقيقية، وليس مجرد اختلاق أنماط.
ومع ذلك، فإن الورقة البحثية حريصة على عدم الادعاء بأن هذا هو عصا سحرية تحل كل شيء. أشار الباحثون إلى أن "محققيهم" قد تم تدريبهم على مجموعة محددة جداً من الناس الذين يُعرفون بالفعل بأنهم عالي الخطورة. الأمر يشبه تدريب كلب على إيجاد المفاتيح المفقودة فقط في منزل تُفقد فيه المفاتيح دائماً؛ قد يكون الكلب بارعاً في ذلك المنزل، ولكنه قد يرتبك في المنتزه. ولأن البيانات جاءت من أشخاص يخضعون للفحص بالفعل، فإن النماذج رائعة في فرز المجموعات عالية الخطورة، لكن لم يثبت بعد قدرتها على التنبؤ بالسل لدى عامة السكان. أيضاً، نظرت الدراسة في سجلات ماضية، لذا فبينما الأنماط قوية، لم يتم اختبارها في الوقت الفعلي بعد لمعرفة ما إذا كانت ستعمل في عيادة مزدحمة غداً.
في النهاية، تشير هذه الدراسة إلى أن تعلم الآلة يمكن أن يكون أداة قوية للنظام الصحي في رواندا. فمن خلال استخدام البيانات التي يمتلكونها بالفعل، يمكنهم تقنياً بناء نظام يساعد الأطباء على تحديد أولويات من يحتاج إلى الفحص أولاً، مما يضمن توجيه الموارد إلى الأشخاص الذين هم في أمس الحاجة إليها. إنها خطوة نحو مستقبل تساعد فيه الحواسيب الأطباء على ضبط متسلل السل الماكر بشكل أسرع وأذكى، ولكن كما يذكر المؤلفون، هناك حاجة لمزيد من الاختبارات قبل أن تصبح هذه الأداة جاهزة للاستخدام في كل عيادة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.