Graph-Based Polypharmacy Risk Networks for Adverse Event Prediction in ICU Patients: A MIMIC-IV Analysis

تخيل أنك محقق يحاول حل لغز في جناح مستشفى فوضوي وعالي المخاطر. المرضى موجودون في وحدة العناية المركزة (ICU)، وغالباً ما يتناولون مجموعة مذهلة ومختلفة من الأدوية في وقت واحد. يُسمى هذا "تعدد الأدوية" (polypharmacy). وبينما يحتاج الأطباء إلى العديد من العقاقير لإنقاذ الأرواح، فإن خلطها يمكن أن يكون أحياناً مثل خلط المواد الكيميائية في مختبر دون دليل إرشادي؛ فقد يؤدي المزيج بالخطأ إلى مشاكل جديدة، مثل الفشل الكلوي، أو الارتباك، أو النزيف. لفترة طويلة، كانت برامج الكمبيوتر التي تحاول التنبؤ بهذه الكوارث تنظر في الغالب إلى التاريخ الطبي للمريض كقائمة مسطحة بسيطة—مثل فاتورة البقالة. فهي ترى "الدواء أ، الدواء ب، الدواء ج" لكنها تغفل عن القصة الخفية لكيفية تفاعل هذه الأدوية المحددة مع بعضها البعض.

مؤخراً، بدأ العلماء في استخدام "الرسوم البيانية" (graphs) لسرد قصة أفضل. فكر في الرسم البياني ليس كمخطط بياني، بل كشبكة عنكبوتية ضخمة ومتوهجة. في هذه الشبكة، كل دواء هو عقدة (نقطة)، وهناك خط يصل بين نقطتين إذا كان هذان الدواءان يُعطيان غالباً لنفس الشخص. هذه الشبكة تلتقط العلاقات بين الأدوية، وليس مجرد أسمائها. السؤال الكبير الذي يطرحه الباحثون هو: هل يساعد النظر في هذه الشبكة المعقدة والمترابطة أجهزة الكمبيوتر على التنبؤ بكوارث المرضى بشكل أفضل من مجرد النظر إلى قائمة البقالة البسيطة؟ إنها معركة بين قائمة مسطحة ثنائية الأبعاد وخريطة مترابطة ثلاثية الأبعاد لمعرفة أيهما يمكنه رصد الخطر أولاً.

شبكة الأدوية العظيمة مقابل القائمة البسيطة

في هذه الدراسة، قرر باحثان، أمان وستوتي، وضع هذا السؤال قيد الاختبار باستخدام مكتبة رقمية ضخمة من سجلات العناية المركزة الحقيقية تسمى MIMIC-IV. لم يكتفيا بالتخمين؛ بل بنيا "شبكة أدوية" ضخمة على مستوى السكان بناءً على ما يقرب من 10,000 إقامة في العناية المركزة للبالغين. في هذه الشبكة، قاما برسم خرائط لأكثر من 2,000 دواء مختلف ومدى تكرار إعطائها معاً، مما خلق شبكة معقدة من الروابط.

ولمعرفة ما إذا كانت هذه الشبكة مفيدة، قاما بإعداد سباق ثلاثي التوجه للتنبؤ بثلاثة أحداث مخيفة: إصابة الكلى الحادة (AKI)، وهو مؤشر للهذيان (الارتباك الشديد)، ومؤشر للنزيف. وكان المتسابقون هم:

1. النموذج الجدولي المرجعي: نهج "قائمة البقالة". هذا النموذج ينظر فقط إلى قائمة بسيطة للأدوية التي تناولها المريض، بالإضافة إلى عمره وجنسه.
2. الإحصاءات القائمة على نظرية المخططات: نموذج ينظر إلى رياضيات بسيطة حول الشبكة، مثل عدد الروابط التي تمتلكها أدوية المريض.
3. تضمينات الرسوم البيانية (Graph Embeddings): "القارئ الفائق". استخدم هذا النموذج تقنية تسمى node2vec لقراءة شبكة الأدوية بأكملها وتحويل كل دواء إلى رمز ذكي مكون من 64 رقماً يفهم علاقاته مع الأدوية الأخرى.

النتائج: الأمر يعتمد على اللغز

لم يكن للسباق فائز واحد. فقد اعتمدت النتيجة كلياً على أي مشكلة يحاولون حلها.

• بالنسبة لإصابة الكلى والنزيف: فاز "قائمة البقالة" البسيطة (النموذج الجدولي المرجوي). فعندما سُمح للنموذج برؤية الأسماء الدقيقة للأدوية، كان الأفضل في التنبؤ بإصابة الكلى (بدرجة AUROC بلغت 0.763) والنزيف (0.864). في هذه الحالات، كان معرفة الهوية المحددة للأدوية كافياً؛ ولم يضف التعقيد في الشبكة أي سحر إضافي.
• بالنسبة للهذيان: هنا حدث التحول في الحبكة. فقد اصطدمت القائمة البسيطة بحائط مسدود. لماذا؟ لأن الباحثين أدركوا أنهم منحوا القائمة عن طريق الخطأ "كود غش". فقد تضمن تعريف الهذيان في بياناتهم استخدام أدوية معينة (مثل المهدئات). وبما أن القائمة عرفت بدقة الأدوية المستخدمة، فقد استطاعت "الغش" عبر مجرد رصد تلك الأدوية المحددة وتخمين حدوث "الهذيان" دون تعلم أي شيء حقيقي عن المخاطر. لقد كان فخاً دائرياً.

بعد أن قام الباحثون بإصلاح هذا "كود الغش" عبر إزالة تلك الأدوة المحددة من القائمة، انخفضت درجة القائمة البسيطة بشكل كبير (من 0.944 مشبوهة إلى 0.858). ولكن إليكم الجزء المثير: نموذج تضمين الرسوم البيانية لم يغش. فحتى بعد تنظيف القائمة، ظل نموذج "القارئ الفائق" هو الفائز، حيث سجل درجة AUROC بلغت 0.876. لقد تمكن من رصد خطر الهذيان من خلال فهم العلاقات بين الأدوية، وليس فقط أسمائها.

ما مدى تأكدهم؟

لم يكتفِ الباحثون بالتخمين المحظوظ. فقد أجروا الاختبار خمس مرات مختلفة للتأكد من أن النتائج لم تكن ضربة حظ. كما أعادوا التجربة بأكملها على مجموعة جديدة ومنفصلة تماماً تضم 10,000 مريض لمعرفة ما إذا كانت النتيجة ستصمد. وقد صمدت بالفعل. فقد تفوق نموذج الرسم البياني باستمرار على القائمة المصححة بفارق ضئيل ولكن ذو دلالة إحصائية (أفضل بنسبة 1.8% تقريباً). واستخدموا اختباراً إحصائياً خاصاً لإثبات أن هذا الفرق لم يكن مجرد ضجيج عشوائي، مما أظهر ثقة بنسبة 99.99% بأن نموذج الرسم البياني كان أفضل حقاً لهذه المهمة المحددة.

ماذا تعلموا؟

الخلاصة الرئيسية هي أنه لا توجد طريقة واحدة "مثلى" لنمذجة مخاطر الأدوية. إذا كنت تواجه مشكلة تكون فيها أسماء الأدوية المحددة هي الدليل الرئيسي (مثل إصابة الكلى)، فإن القائمة البسيطة تعمل بشكل رائع. ولكن إذا كنت تحاول التنبؤ بنتائج معقدة مثل الهذيان، حيث يهم مزيج الأدوية أكثر من الأسماء الفردية، فإن الرسم البياني الذي يفهم العلاقات بين الأدوية يمكنه رصد أنماط قد تغفل عنها القائمة البسيطة.

كما سلط المؤلفون الضوء على درس بالغ الأهمية لجميع الأبحاث المستقبلية: احذروا من "تسرب الملصقات" (label leakage). في حالة الهذيان، تضمن تعريف المشكلة الإجابة عن طريق الخطأ، مما جعل النموذج البسيط يبدو أذكى مما هو عليه في الواقع. ومن خلال رصد ذلك وإصلاحه، أظهروا أن نجاح نموذج الرسم البياني كان حقيقياً وليس وهماً.

أخيراً، استخدموا نموذج الرسم البياني لتحديد مجموعات الأدوية المحددة الأكثر خطورة للمرضى المعرضين لمخاطر عالية. ورغم أنهم لم يتحققوا بعد من مطابقة هذه النت مع الكتب الطبية للتأكد من أنها تفاعلات حقيقية، إلا أن النموذج نجح في تحديد أدوية مثل ريسبيريدون وأولانزابين كعناصر قد تسبب المشاكل فيما يتعلق بالهذيان، مما يوفر طريقة جديدة لرصد الخطر في العناية المركزة.

باختصار، تشير هذه الورقة إلى أنه بينما القوائم البسيطة قوية، إلا أنه في بعض الأحيان تحتاج إلى رؤية الشبكة بأكملها لفهم الخطر. لم يفز نهج الرسم البياني في كل السباقات، ولكن عندما فاز، أثبت أن فهم الروابط يكون أحياناً أكثر أهمية من مجرد معرفة الأسماء.