Conformalized Prediction of Acute Kidney Injury in the ICU: Distribution-Free Coverage Guarantees with Class-Conditional Validity and External Validation

تخيل أنك طبيب في مستشفى مزدحم، تحاول التنبؤ بالمرضى الذين قد يصابون فجأة بمشكلة كلوية خطيرة تسمى إصابة الكلى الحادة (AKI). لديك برنامج حاسوبي عالي التقنية يراقب بيانات المريض - مثل معدل ضربات القلب، وضغط الدم، ونتائج المختبر - ويعطيك درجة "احتمالية". يقول البرنامج: "هناك احتمال بنسبة 70% أن يمرض هذا المريض". ولكن هناك مشكلة، وهي أن تلك البرامج الحاسوبية في العالم الحقيقي غالبًا ما تكذب بشأن مدى تأكدها؛ فقد تقول إنها متأكدة بنسبة 99% بينما هي في الواقع مجرد تخمين. وهذا أمر خطير لأنه إذا أخطأ الحاسوب، فقد يتضرر المريض.

لإصلاح ذلك، يستخدم العلماء خدعة رياضية ذكية تسمى التنبؤ المطابق (Conformal Prediction). فكر في الأمر كشبكة أمان. بدلاً من إعطاء رقم واحد فقط، يرسم الحاسوب صندوقاً حول تنبؤه ويعد بـ: "أنا أضمن أن الإجابة الحقيقية ستكون داخل هذا الصندوق بنسبة 90% من الوقت". إنه يشبه خبير الأرصاد الجوية الذي لا يكتفي بالقول "سوف تمطر"، بل يقول "أنا متأكد بنسبة 90% أنها ستمطر بين الساعة 2 ظهراً و4 عصراً". تتناول هذه الورقة مشكلة محددة في شبكة الأمان هذه: ماذا يحدث عندما يكون المرضى في المستشفى الجديد مختلفين عن المرضى الذين تعلم منهم الحاسوب؟ أراد الباحثون معرفة ما إذا كان بإمكانهم بناء شبكة أمان تعمل حتى عندما تتغير "قواعد اللعبة"، وتحديداً فيما يتعلق بإصابات الكلى في وحدة العناية المركزة (ICU).

سباق التنبؤ الكلوي الكبير

في هذه الدراسة، عمل الباحثون كالمحققين الذين يحاولون حل لغز طبي باستخدام بيانات من مستشفيين مختلفين. لقد جمعوا معلومات عن 38,287 مريضاً حقيقياً من وحدات العناية المركزة. كان هدفهم بناء نموذج تعلم آلي يمكنه التنبؤ بإصابة الكلى الحادة (AKI)، والأهم من ذلك، إثبات أن "شبكة الأمان" الخاصة به (ضمان الثقة) تعمل بالفعل عندما يتم اختبارها على مستشفى مختلف تماماً عن المستشفى الذي تعلم منه.

بدأوا بتدريب ستة "محققين" مختلفين (نماذج تعلم آلي) على بيانات من المستشفى الأول، وهو مركز "بيث إسرائيل ديكونيس" الطبي (Beth Israel Deaconess Medical Center). شمل هؤلاء المحققون طرقاً تقليدية مثل "الانحدار اللوجستي" (Logistic Regression)، وفرقاً تعتمد على التعهيد الجماعي مثل "الغابة العشوائية" (Random Forest)، وأدوات حديثة قوية مثل "XGBoost" وشبكة عصبية عميقة تسمى "MLP". وبمجرد اختيار أفضل محقق، أرسلوه إلى المستشفى الثاني، جامعة إيموري (Emory University)، ليروا ما إذا كان لا يزال قادراً على حل القضية دون أي مساعدة.

الفائز و"جهاز كشف الكذب"

كانت النتائج مفاجئة. فالشبكة العصبية العميقة (MLP)، التي يعتقد الكثيرون أنها الأكثر تقدماً، جاءت في المركز الأخير بالفعل. أما الفائز فكان XGBoost، وهو نموذج يعتمد على الأشجار، حيث حقق درجة (AUC) بلغت 0.935 على بيانات المستشفى الجديد. وهذا يعني أنه كان بارعاً للغاية في رصد من سيصبح مريضاً.

لكن السحر الحقيقي حدث عندما طبقوا "شبكة الأمان" (التنبؤ المطابق).

المشكلة مع الشبكة القياسية:
عندما استخدموا شبكة الأمان "الهامشية" (marginal) القياسية، كانت تعمل بشكل جيد بشكل عام، حيث غطت 92.1% من جميع المرضى. ومع ذلك، فقد فشلت فشلاً ذريعاً مع الأشخاص الذين أصيبوا بالمرض بالفعل؛ إذ لم تضبط سوى 31.3% فقط من مرضى إصابة الكلى الحادة (AKI). تخيل شبكة صيد تصطاد كل سمكة في المحيط تقريباً، ولكنها بطريقة ما تفشل في صيد كل سمكة قرش. في المستشفى، يكون تفويت "القروش" (المرضى المرضى) هو أسوأ شيء يمكن أن يحدث. لقد كانت الشبكة تركز بشدة على الأغلبية الأصحاء لدرجة أنها تجاهلت الأقلية.

الإصلاح القائم على الفئة (Class-Conditional Fix):
جرب الباحثون نسخة أذكى من الشبكة تسمى التنبؤ المطابق المشروط بالفئة (Class-Conditional Conformal Prediction). بدلاً من استخدام شبكة واحدة كبيرة للجميع، قاموا ببناء شبكتين منفصلتين: واحدة مخصصة للمرضى الأصحاء، وأخرى مخصصة للمرضى المرضى.

• النتيجة: رفع هذا النهج الجديد نسبة التغطية لمرضى الإصابة من نسبة مريعة بلغت 31.3% إلى نسبة أفضل بكثير بلغت 87.2%.
• الاكتشاف: على الرغم من أن نسبة 87.2% كانت رائعة، إلا أنها لم تكن الـ 90% المثالية التي استهدفوها. أثبت الباحثون رياضياً أن هذه الفجوة لم تكن بسبب تغير عدد المرضى بين المستشفيين ("انزياح التسمية" أو label shift)، بل لأن طبيعة المرض نفسه كانت مختلفة قليًلاً بين المستشفيين ("انزياح التوزيع داخل الفئة" أو within-class distribution shift). كان الأمر أشبه بأن "القروش" في المستشفى الثاني تسبح بشكل مختلف قليلاً عن القروش في المستشفى الأول. وهذا استبصار ضخم لأنه يخبر الأطباء بالضبط ما الذي يجب إصلاحه: ليس عليهم القلق بشأن عدد المرضى، بل يحتاجون إلى إعادة ضبط النموذج لفهم "نكهة" المرض الخاصة بمستشفىهم.

قواعد المجموعات ومناطق الخطر

تحقق الفريق أيضاً مما إذا كانت شبكة الأمان تعمل لمجموعات معينة من الناس، مثل الرجال مقابل النساء أو الصغار مقابل كبار السن. باستخدام طريقة تسمى التنبؤ المطابق المندلي (Mondrian Conformal Prediction)، ضمنوا أن الشبكة صالحة للجميع، حيث ظلت التغطية فوق 89.6% عبر جميع الفئات العمرية والجنسية.

أخيراً، استخدموا نموذجهم لتقسيم المرضى إلى مجموعتين واضحتين:

1. مخاطر منخفضة: 78.1% من المرضى. هؤلاء لديهم فرصة ضئيلة جداً (1.5% فقط) للإصابة بـ AKI. يمكن للأطباء الشعور بالأمان والتوقف عن القلق بشأنهم.
2. مخاطر مرتفعة: 21.9% من المرضى. هؤلاء لديهم فرصة عالية (35.5%) للإصابة بالمرض. وهذه المجموعة تحتاج إلى مراقبة مكثفة ورعاية فورية.

ما الذي جعل الحاسوب ذكياً؟

لفهم لماذا اتخذ الحاسوب قراراته، استخدم الباحثون أداة تسمى SHAP، والتي تعمل كعدسة مكبرة لرؤية أي الأدلة كانت أكثر أهمية. وجدوا أن أهم دليل لم يكن مجرد رقم مثل "ارتفاع الكرياتينين"، بل كان مدى تكرار طلب الأطباء لفحوصات الكرياتينين.

• التشبيه: إذا كان الطبيب قلقاً بشأن كلى المريض، فإنه يطلب المزيد من فحوصات الدم. تعلم الحاسوب أن "الاختبار المتكرر" هو علامة حمراء ضخمة لأن الطبيب البشري لديه بالفعل شكوك.
• كان ثاني أهم دليل متعلق بـ BUN (مادة كيميائية في الدم)، وهو علامة كلاسيكية على إجهاد الكلى.

الخلاصة

لم تبنِ هذه الورقة مجرد متنبئ أفضل، بل بنت متنبئاً صادقاً. لقد أظهرت أن:

1. "شبكات الأمان" القياسية تفشل مع المرضى في الحالات غير المتوازنة، لكن الشبكات المشروطة بالفئة (Class-Conditional) تعالج ذلك.
2. إذا ظلت شبكة الأمان تفقد بعض المرضى بعد استخدام هذا الإصلاح، فليس السبب هو اختلاف عدد المرضى بين المستشفيات، بل لأن المرضى أنفسهم مختلفون، ويحتاج النموذج إلى الضبط ليتناسب مع ذلك المستشفى المحدد.
3. النماذج البسيطة القائمة على الأشجار (مثل XGBoost) هي حالياً أفضل في هذه المهمة من نماذج التعلم العميق المعقدة.

لقد أثبت الباحثون أنه باستخدام الأدوات الرياضية الصحيحة، يمكننا تزويد الأطباء بنظام تنبؤ لا يكتفي بالتخمين فحسب، بل يضمن فعلياً حدود سلامته، مما يساعدهم على رصد إصابات الكلى قبل أن تصبح قاتلة.