Machine Learning Versus Self-Supervised Transfer Learning for 30-Day Readmission Prediction in Diabetic Patients
تقارن هذه الدراسة بين ستة نماذج من تعلم الآلة على مجموعة بيانات مستشفيات UCI Diabetes 130-US وتجد أن تجميعات الأشجار، ولا سيما XGBoost، تتفوق على كل من الشبكات العصبية المدربة من الصفر وتلك التي تستخدم التعلم المسبق ذاتي الإشراف، محققةً سقف تمييز عملي يبلغ حوالي 0.675 في المساحة تحت منحنى خصائص تشغيل المستقبِل (AUROC) للتنبؤ بإعادة التنويم خلال 30 يومًا لدى مرضى السكري.
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: من هو الشخص الذي سيمرض مرة أخرى ويعود إلى المستشفى في غضون 30 يومًا؟ هذه ليست مجرد لعبة؛ إنها مشكلة ضخمة للأطباء والمستشفيات. فعندما يعود المرضى في وقت قصير جدًا، يعني ذلك غالبًا أن شيئًا ما قد سار بشكل خاطئ في رعايتهم، وهذا يكلف الكثير من المال. وبالنسبة لمرضى السكري، يحدث هذا بشكل متكرر أكثر. ولحل هذه المشكلة، يستخدم العلماء "تعلم الآلة" (Machine Learning)، وهو يشبه تعليم الكمبيوتر كيفية تعلم الأنماط من كومة ضخمة من السجلات الطبية السابقة، تمامًا كما يدرس المحقق ملفات القضايا القديمة لرصد عادات المجرمين.
عادةً، عندما نسمع عن أجهزة الكمبيوتر فائقة الذكاء، نفكر في "التعلم العميق" (Deep Learning) أو "الشبكات العصبية" (Neural Networks) — وهي أنظمة معقدة تشبه الدماغ البشري ومذهلة في التعرف على الوجوه في الصور أو فهم الكلام. لكن هذه الورقة البحثية تطرح سؤالًا صعبًا: هل تعمل هذه الحواسيب المعقدة التي تشبه الدماغ بشكل أفضل حقًا من الأدوات الرياضية القديمة والبسيطة عندما تكون البيانات مجرد جدول بيانات من الأرقام (مثل العمر، مستويات السكر في الدم، وعدد مرات زيارة المريض للطبيب)؟ أراد الباحثون أيضًا معرفة ما إذا كان بإمكانهم إعطاء الكمبيوتر المتطور "بداية قوية" من خلال السماح له بدراسة البيانات أولاً دون معرفة الإجابات (مثل قراءة كتاب مدرسي قبل الاختبار) لمعرفة ما إذا كان ذلك سيجعله أكثر ذكاءً. وهذا أمر مهم لأن المستشفيات تحتاج إلى أدوات تعمل حقًا لمساعدة المرضى، وليس مجرد أدوات تبدو رائعة فحسب.
المواجهة الكبرى بين أجهزة الكمبيوتر
في هذه الدراسة، نظم فريق من الباحثين سباقًا بين فريقين من نماذج الكمبيوتر للتنبؤ بما إذا كان مريض السكري سيعود إلى المستشفى في غضون 30 يومًا. وقد استخدموا مجموعة بيانات ضخمة من 130 مستشفى في الولايات المتحدة، تحتوي على ما يقرب من 100,000 زيارة للمرضى.
المتنافسون
- الفريق الكلاسيكي: استخدم هذا الفريق أربع أدوات معروفة وموثوقة: الانحدار اللوجستي (خط رياضي بسيط)، الغابة العشوائية (مجموعة من أشجار القرار)، XGBoost، وLightGBM. فكر في هؤلاء كـ "المحققين المخضرمين" الذين يجيدون العثʒ عن الأنماط في جداول البيانات.
- الفريق العصبي: استخدم هذا الفريق نسختين من "الشبكة العصبية" (دماغ كمبيوتر). كانت إحداهما مدربة من الصفر، مثل طالب يتعلم كل شيء من اليوم الأول. أما الأخرى فهي "المتعلم عبر النقل" (Transfer Learner). لقد حصل هذا الأخير على بداية مميزة: فقد درس جميع بيانات المرضى أولاً دون معرفة الإجابات، باستخدام تقنية تسمى "المشفّر التلقائي لإزالة الضجيج" (Denoising Autoencoder). تخيل هذا كطالب يقرأ الكتاب الطبي بالكامل ويتعلم كيفية ترابط الكلمات معًا قبل أن يرى أي سؤال اختبار. الفكرة هي أن هذه البداية القوية قد تجعلهم محققين أفضل.
نتائج السباق
كانت النتائج مفاجئة لأي شخص يعتقد أن "الأكبر والأفخم" يعني دائمًا "الأفضل".
- الفائز: فاز المحققون المخضرمون بسهولة. حيث جاء XGBoost (نوع من الأشجار المعززة بالتدرج) في المركز الأول بسجل قدره 0.672 على بيانات الاختبار. وجاء خلفه مباشرة كل من LightGBM والغابة العشوائية.
- الخاسرون: أدت الشبكات العصبية الفاخرة، حتى تلك التي حصلت على "بداية قوية" (التعلم عبر النقل)، أداءً ضعيفًا للغاية. فقد سجلت حوالي 0.58، وهو ما يكاد يكون أفضل بقليل من رمي عملة معدنية. ولم تساعد "البداية القوية" في شيء؛ بل كانت في الواقع أسوأ قليلاً من الشبكة المدربة من الصفر.
وجد الباحثون أنه بالنسبة لهذا النوع المحدد من البيانات (جدول بيانات السجلات المستشفائية)، لم تمتلك الحواسيب المعقدة التي تشبه الدماغ أي قدرات خارقة. بل كانت النماذج القائمة على الأشجار والأبسط هي الأفضل في أداء المهمة.
"التسريب" في النظام
خلال السباق، كاد الباحثون يرتكبون خطأً فادحًا. فعندما حاولوا ضبط نموذج XGBoost لأول مرة، سمحوا للكمبيوتر بالخطأ بـ "استخدام البيانات بشكل غير لائق". استخدموا تقنية تسمى SMOTE (التي تنشئ بيانات مرضى وهمية لموازنة الأرقام) قبل تقسيم البيانات إلى مجموعات تدريب واختبار. كان هذا يشبه السماح للمحقق بإلقاء نظرة على نموذج الإجابات قبل بدء الاختبار. سجل الكمبيوتر درجة خيالية وغير واقعية بلغت 0.957 (شبه مثالية). لكن الباحثين اكتشفوا هذا الخطأ، وقاموا بإصلاحه عبر التأكد من أن "الاستخدام غير اللائق للبيانات" يحدث فقط داخل مجموعة التدريب، فانخفضت الدرجة لتعود إلى مستوى واقعي قدره 0.661. لقد تعلموا من ذلك أن حتى الحواسيب الذكية يمكن خداعها إذا لم تُتبع القواعد بدقة.
فخ "العتبة"
هذا هو الدرس الأهم من الورقة البحثية. نموذج الكمبيوتر لا يقول فقط "نعم" أو "لا"؛ بل يعطي نسبة مئوية للاحتمالية. وعليك أن تقرر ما هي النسبة التي تعتبر "نعم".
- الفخ الافتراضي: إذا استخدمت القاعدة التقليدية (أي شيء فوق 50% يعتبر "نعم")، فسيكون النموذج عديم الفائدة. فلن يكتشف سوى 1.4% فقط من المرضى الذين يعودون بالفعل. إنه حذر للغاية لدرجة أنه يفوّت معظم الحالات.
- القاعدة الذكية: عندما خفض الباحثون القاعدة إلى 12.8% (بناءً على صيغة رياضية تسمى Youden's J)، أصبح النموذج أكثر فائدة. فقد نجح في رصد 58% من المرضى العائدين. ومع ذلك، جاء هذا بتكلفة: فمقابل كل مريض تم رصده بشكل صحيح، تم تصنيف حوالي 4 أو 5 مرضى آخرين بشكل خاطئ على أنهم سيعودون.
ماذا يعني هذا؟
تخلص الورقة البحثية إلى أنه بالنسبة للتنبؤ بإعادة دخول المستشفى باستخدام سجلات المستشفى القياسية فقط، يبدو أن هناك "سقفًا" لمدى جودة التنبؤ التي يمكن الوصول إليها. فقد وجدت ثلاثة فرق بحثية مختلفة، باستخدام طرق مختلفة، أن أفضل نتيجة كانت حوالي 0.66 إلى 0.69. وهذا يشير إلى أنه بغض النظر عن مدى فخامة الكمبيوتر، فإن البيانات نفسها (مجرد الأرقام في جدول البيانات) لا تحتوي على أدلة كافية لتكون مثالية.
تجادل الدراسة بأن المستشفيات لا ينبغي أن تهدر الأموال على أنظمة التعلم العميق شديدة التعقيد إذا كانت الأدوات الأبسط تعمل بشكل أفضل. والأهم من ذلك، أنها تحذر من أن مجرد تشغيل نموذج ليس كافيًا؛ بل يجب عليك اختيار "القاعدة" بعناية لرفع الإنذار. فإذا اخترت القاعدة الخاطئة، فقد يبدو النموذج الجيد وكأنه نموذج عديم الفائدة. ويقترح المؤلفون أنه لتحقيق نتائج أفضل، نحتاج إلى ما هو أكثر من مجرد الأرقام؛ نحتاج إلى معلومات أغنى مثل ملاحظات الأطباء أو الاتجاهات بمرور الوقت، وهو ما لم تكن تشتمل عليه مجموعة البيانات القديمة هذه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.