Evaluating missing-data workflows under hospital-structured missingness: a simulation-calibrated study in eICU and MIMIC-IV

في المستشفى الحديث، لا تُروى قصة المريض فقط بما هو مكتوب، بل أيضاً بما هو مفقود. فعندما يطلب الطبيب فحص دم، تظهر النتيجة في السجل الإلكتروني. ولكن إذا لم يتم طلب الفحص أبداً، أو إذا فشلت الآلة في إرسال البيانات، فإن السجل يظهر مساحة فارغة. لعقود من الزمن، تعامل الباحثون الذين يحللون هذه الأرشيفات الرقمية الضخمة مع هذه الفراغات باعتبارها مجرد أخطاء بسيطة يجب إصلاحها أو تجاهلها؛ حيث افترضوا أن نتيجة المختبر المفقودة هي مجرد رقم مفقود، لا علاقة له بحالة المريض أو بعادات المستشفى. ومع ذلك، في الواقع، غالباً ما تكون القيمة المفقودة رسالة؛ فقد تعني أن الطبيب قرر أن الفحص ليس ضرورياً، أو أن مستشفى معيناً يفتقر إلى المعدات اللازمة لإجرائه. وعندما لا تكون هذه الفجوات عشوائية، بل تتبع أنماطاً مرتبطة بالمستشفى أو بخلفية المريض، يمكنها أن تشوه بهدوء الصورة الكاملة لما تقوله البيانات.

هذا هو التحدي الجوهري الذي استكشفته دراسة جديدة بحثت في كيفية تعامل الباحثين مع هذه القطع المفقودة من المعلومات في قواعد بيانات العناية المركزة. أراد الباحثون معرفة ما إذا كانت الطرق القياسية لملء الفراغات تغير بالفعل الإجابات على الأسئلة الطبية الهامة. وقد ركزوا على سيناريو محدد وعالي الخطورة: مقارنة خطر الوفاة في المستشفى لمجموعات مختلفة من الأعراق والإثنيات. لم يكن الهدف هو إثبات أن إحدى المجموعات أكثر هشاشة بيولوجياً من غيرها، بل لمعرفة ما إذا كانت الطريقة المستخدمة لتنظيف البيانات يمكن أن تجعل الأمر يبدو وكأن هناك فرقاً موجوداً بينما لا يوجد، أو تخفي فرقاً موجوداً بالفعل. ومن خلال اختبار هذه الطرق مقابل حقيقة معروفة تم إنشاؤها في محاكاة حاسوبية، كشفت الدراسة أن اختيار كيفية التعامل مع البيانات المفقودة ليس مجرد تفصيل تقني؛ بل هو قرار يغير بشكل أساسي من يتم دراسته وما تعنيه النتائج.

لجأ الباحثون إلى مجموعتين ضخمتين من البيانات الواقعية من وحدات العناية المركدة في الولايات المتحدة. جمعت قاعدة بيانات تُعرف باسم eICU معلومات من 206 مستشفيات مختلفة، مما جسد الطرق المتنوعة التي تُقدم بها الرعاية الطبية عبر البلاد. أما قاعدة البيانات الأخرى، MIMIC-IV، فقد جاءت من مستشفى أكاديمي واحد كبير. وركزوا على ثمانية فحوصات دم شائعة تُجرى خلال اليوم الأول من إقامة المريض، مثل قياسات خلايا الدم البيضاء، ووظائف الكلى، وصحة الكبد. في العالم الحقيقي، لا تتوفر هذه الاختبارات دائماً. ففي قاعدة بيانات المستشفى الواحد، كان حوالي 24 بالمائة فقط من المرضى لديهم جميع النتائج الثمانية مسجلة. وفي قاعدة البيانات متعددة المستشفيات، كان العدد أعلى قليلاً بنسبة 36 بالمائة، لكن الفجوات لم تكن عشوائية؛ إذ كان لدى بعض المستشفيات بيانات لكل مريض تقريباً، بينما كان لدى مستشفيات أخرى نتائج مفقودة لجميع المرضى تقريباً. وفي بعض الحالات، لم تسجل مستشفيات بأكملها قيماً لاختبارات معينة مثل اللاكتات أو البيليروبين، مما يشير إلى أن البيانات المفقودة كانت سمة هيكلية لتلك المراكز الطبية المحددة، وليست مجرد خلل عشوائي.

ولرؤية كيف أثر هذا الفقدان على النتائج، طبق الفريق خمس طرق معيارية مختلفة يستخدمها العلماء للتعامل مع السجلات غير المكتملة. إحدى الطرق قامت ببساطة باستبعاد أي مريض لديه اختبار واحد مفقود. وطريقة أخرى ملأت الفجوات بالقيمة الوسطى الموجودة في البيانات وأضافت ملاحظة تفيد بأن القيمة مفقودة. وحاولت طريقة ثالثة وزن المرضى المتبقين لتمثيل أولئك الذين تم استبعادهم. واستخدمت طريقتان أخريان خوارزميات حاسوبية معقدة لتخمين الأرقام المفقودة بناءً على المعلومات الأخرى المتاحة لذلك المريض، مع نسخة واحدة حاولت مراعاة المستشفى المحدد الذي عولج فيه المريض. ثم استخدم الباحثون هذه النسخ الخمس المختلفة من البيانات لحساب الفرق في معدلات الوفاة بين المجموعات العرقية.

كانت النتائج مذهلة. فاعتماداً على الطريقة المستخدمة، كانت تقديرات الفرق في معدلات الوفاة بين المجموعات تتأرجح بشكل حاد. في إحدى الحالات، عند مقارنة المرضى الآسيويين بالمرضى البيض في قاعدة بيانات المستشفى الواحد، أشارت الطريقة التي استبعدت السجلات غير المكتملة ببساطة إلى أن المرضى الآسيويين لديهم خطر وفاة أقل. ومع ذلك، فإن طريقة أخرى ملأت الأرقام المفقودة أشارت إلى أن خطر وفاتهم أعلى. كان حجم هذا التأرجح يقارب ثلاث نقاط مئوية، وهو فرق كبير بما يكفي لتغيير استنتاج الدراسة بالكامل. وفي قاعدة بيانات المستحمات المتعددة، كانت التقلبات دراماتيكية أيضاً، حيث تحولت تقديرات المرضى من أصول لاتينية من خطر أقل إلى خطر أعلى اعتماداً على سير العمل. أظهرت الدراسة أن الطريقة المختارة لم تضف مجرد قدر ضئيل من الضجيج إلى البيانات، بل غيرت اتجاه النتيجة.

لفهم سبب حدوث ذلك، بنى الباحثون محاكاة حاسوبية حيث يعرفون الحقيقة المطلقة. لقد أنشأوا عالماً افتراضياً من 60 مستشفى وآلاف المرضى، وبرمجوا البيانات المفقودة لتظهر في أنماط محددة تحاكي العالم الحقيقي. ولأنهم عرفوا الإجابة الحقيقية في هذه المحاكاة، تمكنوا من قياس مدى خطأ كل طريقة بدقة. ووجدوا أنه عندما كانت البيانات المفقودة مرتبطة بهيكل المستشفى، فإن حتى أكثر الطرق تطوراً واجهت صعوبات. الطريقة التي حاولت مراعاة سياق المستشفى كانت تؤدي أداءً أفضل من غيرها، لكنها لم تكن مثالية؛ إذ لا تزال تنتج أخطاءً وفترات ثقة ضيقة جداً بحيث لا يمكن الوثوق بها. كما كشفت المحاكاة أنه لا يمكن لأي طريقة أن تعالج المشكلة تماماً إذا كانت البيانات المفقودة مرتبطة بمدى خطورة المريض غير المسجل بطريقة لا يستطيع الحاسوب رؤيتها. وعندما كان الفقدان مدفوعاً بعوامل لا يستطيع النموذج معرفتها، ظلت جميع الطرق متحيزة، منتجة تقديرات خاطئة بفارق عدة نقاط مئوية.

كما بحثت الدراسة في كيفية تأثر ثقة الباحثين في نتائجهم. في العلم، عادة ما تصاحب النتيجة نطاق من عدم اليقين، وهو هامش خطأ يوضح مدى تأكدنا. وجد الباحثون أن بعض الطرق أنتجت نطاقات ضيقة للغاية، مما أعطى شعلاً زائفاً بالدقة. في المحاكاة، عندما كانت البيانات المفقودة كثيفة وهيكلية حسب المستشفى، غطت فترات الثقة لبعض الطرق الإجابة الحقيقية في أقل من 30 بالمائة من المرات، رغم أنها من المفترض أن تغطيها بنسبة 95 بالمائة. وهذا يعني أنه إذا استخدم باحث إحدى هذه الطرق المعيبة، فإنه سيدعي اليقين بشأن نتيجة هي في الواقع مهتزة للغاية. سلطت الدراسة الضوء على أن مجرد الإبلاغ عن رقم دون التحقق من كيفية التعامل مع البيانات المفقودة يشبه قياس غرفة بمسطرة تتقلص وتتمدد اعتماداً على درجة الحرارة.

كان أحد أهم النتائج هو أن اختيار الطريقة غير المجتمع الذي تتم دراسته. فعندما يقوم الباحثون ببساطة باستبعاد المرضى الذين لديهم بيانات مفقودة، فإنهم ينتهي بهم الأمر بمجموعة تبدو مختلفة عن الحشد الأصلي. ففي بيانات العالم الحقيقي، كان المرضى الذين لديهم جميع نتائج المختبر غالباً أكبر سناً أو لديهم خصائص مختلفة عن أولئك الذين لم تتوفر لديهم. ومن خلال ملء الفجوات بالمتوسطات أو التخمينات المعقدة، كان الباحثون ينشئون فعلياً مجتمعاً اصطناعياً جديداً قد لا يكون موجوداً في العالم الحقيقي. أظهرت الدراسة أن "فرق المخاطر المعياري" الذي حسبوه لم يكن حقيقة عالمية حول المرض، بل كان إجابة محددة لسؤال محدد حول مجموعة محددة من الناس تم تحديدها بواسطة الطريقة المستخدمة لتنظيف البيانات.

خلص الباحثون إلى أنه لا يوجد حل واحد سحري للبيانات المفقودة في السجلات المستشفيات. فقد ثبت في محاكاتهم أن فكرة أن نموذجاً رياضياً أكثر تعقيداً سيصلح المشكلة تلقائياً هي فكرة خاطئة. وحتى النموذج الذي يحاول صراحةً مراعاة الاختلافات بين المستشفيات لم يضمن نتيجة دقيقة. وتجادل الدراسة بضرى أن يتوقف الباحثون عن معاملة البيانات المفقودة كخطوة تنظيف تقنية ويبدأوا في معاملتها كجزء أساسي من السؤال الذي يطرحونه. وقبل استخلاص أي استنتاجات، يتعين عليهم رسم خريطة دقيقة لمكان فقدان البيانات وسببه. ويجب أن يكونوا صادقين بشأن المجموعة التي تمثلها نتائجهم بالفعل. ويجب عليهم اختبار نتائجهم مقابل افتراضات مختلفة حول سبب فقدان البيانات، مع الإقرار بأنه إذا كان الفقدان مدفوعاً بعوامل خفية، فإن النتائج قد تكون خاطئة.

في نهاية المطاف، يعمل هذا العمل كتحذير ودليل للمستقبل في مجال الأبحاث الطبية باستخدام السجلات الإلكترونية. فهو يوضح أن الطريقة التي نتعامل بها مع الفراغات في بياناتنا يمكن أن تكون بنفس أهمية البيانات التي نمتلكها. وإذا تجاهلنا أنماط الفقدان، فإننا نغامر ببناء المعرفة الطبية على أساس يتغير مع كل تغيير في المنهجية. لا تقدم الدراسة أداة مثالية جديدة لإصلاح المشكلة، لكنها توفر خريطة واضحة لمواضع العثرات. وهي تقترح أن الطريق إلى الأمام يتطلب الشفافية، والاختبار الصارم، والاستعداد لقبول حقيقة أن بعض الأسئلة حول التفاوتات الصحية قد تظل غير مؤكدة حتى نتمكن من فهم سبب فقدان البيانات في المقام الأول. الهدف ليس إيجاد رقم مثالي، بل فهم حدود ما يمكن لبياناتنا أن تخبرنا به.