Machine learning-based predictive model of postoperative acute heart failure among elderly hip fracture patients
طورت هذه الدراسة وثبّتت نموذجاً للتعلم الآلي قائماً على خوارزمية XGBoost، معززاً بتقنيات التفسير SHAP وLIME، للتنبؤ بدقة بحالات فشل القلب الحاد بعد العمليات الجراحية لدى كبار السن المصابين بكسور الورك باستخدام تسعة عوامل خطر سريرية رئيسية.
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، ولكن بدلاً من البحث عن جوهرة مسروقة، أنت تبحث عن خطر خفي قد يداهم مريضاً فور خضوعه لعملية جراحية. تعيش هذه الورقة البحثية في عالم علوم البيانات الطبية، وهو مجال يتعاون فيه الأطباء وخبراء الكمبيوتر للعثور على أنماط في أكوام ضخمة من السجلات الطبية للمرضى. تعتمد القصة هنا على فكرتين رئيسيتين: عوامل الخطر (وهي أدلة تشير إلى احتمال حدوث شيء سيء، مثل سحابة داكنة تسبق العاصفة) وتعلم الآلة (وهو نوع من البرامج الحاسوبية التي تتعلم رصد هذه الأنماط بسرعة ودقة أكبر بكثير مما يمكن لعقل بشري القيام به من خلال النظر في مخطط طبي واحد). لماذا يهتم أي شخص بهذا؟ لأنه عندما يصاب كبار السن بكسر في الورك، يكون ذلك حدثاً خطيراً. أحياناً، بعد الجراحة لإصلاح العظم، تتعرض قلوبهم للإجهاد ويتوقف عملها بشكل صحيح. وهذا ما يسمى فشل القلب الحاد. إنه أمر مخيف، ومكلف في علاجه، ويمكن أن يكون مميتاً. السؤال الكبير هو: هل يمكننا النظر في فحوصات دم المريض وتاريخه الطبي قبل الجراحة والقول: "مهلاً، هذا الشخص في ورطة"، حتى يتمكن الأطباء من إعداد شبكة أمان؟
تركز هذه الدراسة على مجموعة محددة جداً: الأشخاص الذين تبلغ أعمارهم 80 عاماً فما فوق والذين أصيبوا بكسور في الورك. جمع الباحثون بيانات من 661 مريضاً من هؤلاء، عولجوا في مستشفى في الصين بين عامي 2020 و2022. أرادوا معرفة من منهم سيصاب بفشل القلب بعد عمليته. كانت الإجابة مذهلة: 282 مريضاً من هؤلاء، أي بنسبة 42.6% (ما يقرب من النصف!)، انتهى بهم الأمر بإصابة بفشل القلب الحاد. هذا الرقم الضخم يشير إلى أنه بالنسبة لهؤلاء المرضى من "كبار السن للغاية"، فإن القلب عبارة عن محرك هش جداً يكافح للتعامل مع إجهاد الجراحة.
لحل لغز من الذي قد يمرض، لم يعتمد الفريق على التخمين فحسب. بل استخدموا منخلاً رقمياً لتصفية عشرات الأدلة المحتملة، مثل العمر، وضغط الدم، ونتائج فحوصات الدم المختلفة. استخدموا حيلتين حاسوبيتين ذكيتين تُعرفان باسم انحدار LASSO وخوارزمية Boruta للعثور على أكثر تسعة "مشتبه بهم" أهمية. وتبين أن هذه الأدلة التسعة هي:
- مستويات BNP (بروتين في الدم يرتفع عندما يتعرض القلب للإجهاد) تم قياسه عند وصول المريض إلى المستشفى وقبل الجراحة مباشرة.
- مرض السكري ومرض الشريان التاجي (تاريخ من مشايات السكر أو القلب).
- الهيموجلوبين والهيماتوكريت (مقاييس لمدى قدرة دمك على حمل الأكسجين).
- الألبومين (بروتين يساعد في الحفاظ على السوائل داخل أوعيتك الدموية).
- الكرياتينين في المصل (علامة على مدى كفاءة عمل كليتيك).
- CRP (مؤشر على الالتهاب في الجسم).
بمجرد حصولهم على هذه الأدلة التسعة، بنى الباحثون خمسة "محركات تنبؤية" مختلفة (نماذج حاسوبية) لمعرفة أي منها يمكنه تخمين من سيصاب بفشل القلب بشكل أفضل. وقارنوا بين طريقة رياضية تقليدية (الانحدار اللوجستي) وخمسة نماذج حديثة لتعلم الآلة، بما في ذلك الغابة العشوائية (Random Forest)، وLightGBM، وNaive Bayes، وGBM، وXGBoost.
والفائز كان XGBoost. فكر في XGBoost كمحقق فائق الذكاء لا يكتفي بالنظر في دليل واحد في كل مرة، بل يفهم كيف تتفاعل جميع الأدلة مع بعضها البعض بطرق معقدة وغير خطية. في مرحلة الاختبار، حقق هذا النموذج AUC قدره 0.859 (وهي درجة حيث 1.0 تعني الكمال و0.5 تعني رمي العملة المعدنية)، وكان ذلك أفضل من الطريقة التقلية والنماذج الأربعة الأخرى لتعلم الآلة. لقد نجح في تحديد المرضى المعرضين للخطر بشكل صحيح في كثير من الأحيان وأخطأ بشكل أقل من غيره.
لكن الجزء الأفضل هو: عادة ما تكون هذه النماذج الحاسوبية فائقة الذكاء "صناديق سوداء"، مما يعني أنها تعطيك إجابة لكنها لا تخبرك لماذا. لم يرد الباحثون صندوقاً سحرياً؛ بل أرادوا فهم المنطق. لذا، استخدموا أداتين تُسميان SHAP وLIME لفتح الصندوق. عملت هاتان الأداتان كمترجم، حيث أظهرتا بالضبط مقدار دفع كل دليل للتنبؤ صعوداً أو هبوطاً. على سبيل المثال، وجدوا أن مستوى BNP قبل الجراحة (بروتين إجهاد القلب الذي يتم قياسه قبل الجراحة مباشرة) كان الدليل الأكثر أهمية بمفرده. إذا كان لدى المريض مستوى مرتفع من BNP، وألبومين منخفض، وهيموجلوبين منخفض، فإن النموذج عرف أن المريض في ورطة حقيقية. وعلى العكس من ذلك، إذا كانت مستويات المريض طبيعية، فقد عرف النموذج أنه في أمان على الأرجح.
تشير الورقة البحثية إلى أنه باستخدام نموذج XGBoost هذا، يمكن للأطباء رصد كبار السن الذين يواجهون خطر الانهيار القلبي بعد الجراحة. هي لا تعد بعلاج، لكنها تقدم نظام إنذار مبكر قوي. يعترف المؤلفون بأن هذه كانت دراسة مستشفى واحد، لذا يجب اختبار النموذج في أماكن أخرى للتأكد من أنه يعمل في كل مكان. ولكن في الوقت الحالي، توفر الدراسة خريطة واضحة مدعومة بالبيانات للإبحار في المياه الخطرة لجراحة الورك لكبار السن، محولةً التخمين الفوضوي إلى خطة مدروسة ومخصصة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.