Prognostic Factors for Pediatric Severe Traumatic Brain Injury: A Machine Learning-Based Analysis

عندما يتعرض طفل لضربة شديدة في الرأس، يمكن أن يكون رد فعل الدماغ سباقاً مع الزمن يجب على الأطباء الفوز به. هذا النوع من الإصابات، المعروف باسم إصابة الدماغ الرضحية الشديدة، يعد أحد الأسباب الرئيسية للوفاة والإعاقة طويلة الأمد للأطفال في جميع أنحاء العالم. وخلافاً للبالغين، فإن جماجم الأطفال لا تزال في طور النمو وأدمغتهم أكثر عرضة لقوى الارتطام. ولأن أجسادهم لا تزال في مرحلة النمو، فإن نفس الإصابة التي قد ينجو منها شخص بالغ يمكن أن تؤدي إلى عواقب وخيمة لطفل. لعقود من الزمن، اعتمد الأطباء على أدوات قياسية لتخمين كيفية تعافي الطفل، من خلال مراقبة أمور مثل مدى وعي الطفل عند وصوله أو ما إذا كانت حدقتا عينيه تتفاعلان مع الضوء. ومع ذلك، فإن هذه الطرق التقليدية غالباً ما تنظر إلى إشارة أو إشارتين فقط في كل مرة، مما يفوتها الشبكة المعقدة من العوامل التي تحدد في الواقع مستقبل الطفل.

قرر فريق من الباحثين من مستشفيات في شينجيانغ، الصين، مواجهة حالة عدم اليقين هذه باستخدام نوع مختلف من الأدوات: التعلم الآلي. فبدلاً من الاعتماد على معادلة واحدة، قاموا بتعليم الكمبيوتر كيفية النظر في كم هائل من بيانات المرضى دفعة واحدة، والبحث عن الأنماط الخفية التي قد تخطئها العين البشرية. لم يكن هدفهم مجرد التنبؤ بما إذا كان الطفل سينجو، بل فهم أي العوامل كانت الأكثر أهمية بالضبط وإنشاء دليل واضح وسهل الاستخدام للأطباء. ومن خلال تحليل سجلات 117 طفلاً تم علاجهم على مدار عشر سنوات، بنوا نظاماً يمكنه وزن أهمية ضغط الدم، وتورم الدماغ، وحتى قدرة تجلط الدم للتنبؤ بالنتيجة بدقة ملحوظة.

بدأ الباحثون بجمع مجموعة واسعة من المعلومات حول كل طفل وصل إلى مستشفاهم مصاباً بإصابة شديدة في الرأس. لقد نظروا في كل شيء، بدءاً من عمر الطفل ونوع الحادث الذي تسبب في الإصابة، وصولاً إلى النتائج المختبرية التفصيلية والعلاجات المحددة التي تلقوها. وركزوا على الأطفال الذين كانوا فاقدين للوعي أو شبه واعين عند وصولهم، حيث تواجه هذه المجموعة أعلى مستويات المخاطر. وبعد تنقية البيانات لملء أي أجزاء مفقودة، استخدموا طريقة إحصائية لغربلة تسعة وعشرين متغيراً مختلفاً والعثور على السبعة التي كانت ذات أهمية حقيقية. وشملت هذه العوامل الرئيسية مدة بقاء الطفل في وحدة العناية المركزة، وضغط دمه الانقباضي، وتفاعل حدقتيه، وما إذا كان بحاجة إلى جراحة لتخفيف الضغط عن الجمجمة، وما إذا كان قد خضع للتنبيب قبل وصوله إلى المستشفى، ومستوى وعيه الأولي، ومقياس لمدى جودة تجلط دمه.

باستخدام هذه القطع السبع الحرجة من المعلومات، قام الفريق بتدريب تسعة خوارزميات حاسوبية مختلفة، تستخدم كل منها نهجاً رياضياً فريداً للتعلم من البيانات. وقارنوا مدى كفاءة أداء كل خوارزمية، باختبارها على جزء من البيانات التي لم يرها الكمبيوتر من قبل لضمان أن النتائج حقيقية وليست مجرد ضربة حظ. وقد برزت خوارزمية واحدة، تُعرف باسم (LightGBM)، كالأكثر دقة؛ حيث تنبأت بشكل صحيح بنتيجة ما يقرب من 97 في المائة من الأطفال في مجموعة الاختبار. والأهم من ذلك، أنها لم تكتفِ بإعطاء رقم فحسب، بل قدمت شرحاً واضحاً لسبب اتخاذها لهذا التنبؤ. وقد استخدم الباحثون تقنية تسمى تحليل (SHAP) لتقشير طبقات عملية اتخاذ القرار في الكمبيوتر، وكشف مدى مساهمة كل عامل في النتيجة النهائية.

كشف التحليل عن رؤى مفاجئة ومحددة حول ما يدفع عملية التعافي لدى هؤلاء الأطفال. فقد تبين أن أقوى مؤشر للنتيجة السيئة هو "النسبة المعيارية الدولية" (INR)، وهو اختبار مختبري يقيس المدة التي يستغرقها الدم ليتجلط. فالأطفال الذين استغرق دمهم وقتاً أطول ليتجلط، وتحديداً أولئك الذين كانت نسبتهم أعلى من 1.3، واجهوا خطراً أكبر بكثير لحدوث نتيجة سيئة. يسلط هذا الاكتشاف الضوء على أن قدرة الجسم على وقف النزيف لا تقل أهمية عن الإصابة التي لحقت بالدماغ نفسه. وشملت عوامل الخطر الرئيسية الأخرى طول فترة البقاء في وحدة العناية المركزة، وردود فعل الحدقة غير الطبيعية، والحاجة إلى عملية استئصال الجزء من الجمجمة لتخفيف الضغط. ومن ناحية أخرى، كانت العوامل التي تحمي من النتيجة السيئة تشمل المستوى الأولي الأعلى للوعي، وضغط الدم المرتفع عند الوصول، واستخدام أنبوب التنفس قبل الوصول إلى المستشفى.

ولجعل هذه النتائج المعقدة مفيدة في الممارسة اليومية، ترجم الباحثون منطق الكمبيوتر إلى نظام تسجيل بسيط. تتيح هذه الأداة للطبيب النظر في القيم المحددة للطفل لأهم خمسة عوامل — وهي مدة البقاء في العناية المركزة، وضغط الدم، وحالة التنبيب، ومستوى الوعي، ووقت تجلط الدم — وتخصيص درجة لكل منها. ومن خلال جمع هذه الدرجات معاً، يمكن للممارس السريري تقدير احتمالية حدوث نتيجة سيئة بسرعة. وينتقل هذا النهج بعيداً عن التخمينات الغامضة ويقدم طريقة ملموسة قائمة على البيانات لتحديد المرضى المعرضين للخطر في وقت مبكر. ويشير هذا إلى أنه من خلال إيلاء اهتمام وثيق لتجلط الدم وضغط الدم في الساعات الأولى بعد الإصابة، قد يتمكن الأطباء من التدخل بشكل أكثر فعالية لتغيير مسار تعافي الطفل.

كما قارنت الدراسة نهج التعلم الآلي الجديد مقابل الطرق التقليدية القديمة للتنبؤ. وبينما كانت الطرق التقليدية مستقرة وموثوقة، إلا أنها لم تكن بدقة نماذج الكمبيوتر الجديدة. ووجد الباحثون أن بعض نماذج الكمبيوتر الأكثر تعقيداً كانت تميل إلى "الفرط في التخصيص" (overfitting)، مما يعني أنها حفظت الحالات المحددة التي تدربت عليها بدلاً من تعلم قواعد عامة، مما جعلها أقل موثوقية عند تطبيقها على مرضى جدد. ومع ذلك، حقق نموذج (LightGBM) التوازن المثالي، حيث تعلم الأنماط الأساسية دون الارتباك بالضجيج. ويشير هذا إلى أن مستقبل التنبؤ بنتائج إصابات الدماغ يكمن في الأنظمة التي يمكنها التعامل مع متغيرات عديدة في آن واحد مع البقاء شفافة بما يكفي ليثق بها الأطباء.

وعلى الرغم من نجاح النموذج، فقد أبدى الباحثون حذراً بشأن حدوده. فقد استندت الدراسة إلى بيانات من مستشفى واحد على مدى عقد من الزمن، وعدد المرضى، رغم كونه كبيراً بالنسبة لهذا النوع من الأبحاث، لا يزال صغيراً نسبياً. كما جُمعت البيانات بأثر رجعي، مما يعني أن الباحثين نظروا في سجلات كانت قد كُتبت بالفعل، وهو ما قد يؤدي إلى وجود فجوات أو تضارب في المعلومات. وبناءً على ذلك، فإن النتائج تعتبر اقتراحاً قوياً وليست إثباتاً نهائياً. ويؤكد المؤلفون أن الخطوة التالية يجب أن تكون اختبار هذا النموذج في مستشفيات متعددة مع مجموعات مختلفة من المرضى لمعرفة مدى صموده في العالم الحقيقي. وحتى ذلك الحين، يعد هذا العمل بمثابة إثبات مفهوم قوي، يوضح أنه مع الأدوات المناسبة، يمكننا البدء في رؤية مستقبل تعافي الطفل بوضوح أكبر بكثير مما كان عليه الحال من قبل.