Development and external validation of a prediction model for acute kidney injury after coronary artery bypass grafting
طورت هذه الدراسة نموذجاً للتعلم الآلي باستخدام تسعة تنبؤات للتحقق من صحته خارجياً للتنبؤ بإصابة الكلى الحادة بعد عملية تحويل مسار الشريان التاجي، وقد أظهر النموذج قدرة متوسطة على التمييز ولكنه تطلب إعادة معايرة قبل التطبيق السريري نظراً لمحدودية التحسن مقارنة بالنماذج التقليدية والمبالغة في تقدير المخاطر.
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
بعد عملية جراحية كبرى للقلب تُعرف باسم عملية ترقيع الشريان التاجي، حيث يقوم الجراحون بإعادة توجيه تدفق الدم حول الشرايين المسدودة، غالبًا ما تواجه الكلى صراعًا مفاجئًا وخطيرًا. هذه الحالة، التي تسمى إصابة الكلى الحادة، هي مضاعفة شائعة يمكن أن تطيل فترة بقاء المريض في وحدة العناية المركزة، وتزيد من خطر الوفاة، وتؤدي إلى مشاមាន طويلة الأمد في وظائف الكلى. ويكمن التحدي الذي يواجه الأطباء في أن الكلى لا تظهر دائمًا أنها في ورطة بشكل فوري؛ فالاختبار القياسي المستخدم للكشف عن الضرر، والذي يقيس منتجًا فضلات يسمى "الكرياتينين"، غالبًا ما يتأخر عن الإصابة الفعلية. وبحلول الوقت الذي ترتفع فيه الأرقام، قد تكون نافذة التدخل المبكر قد أُغلقت بالفعل. وبينما يمتلك الأطباء أدوات للتنبؤ بمن قد يحتاج إلى غسيل الكلى، إلا أنهم يفتقرون إلى طرق موثوقة لرصد الأشكال الأكثر شيوعًا وأقل حدة من إجهاد الكلى، والتي لا تزال تتطلب الاهتمام.
ولمعالجة هذه الفجوة، شرع فريق من الباحثين في بناء نوع جديد من أنظمة الإنذار المبكر. أرادوا أداة يمكنها فحص المريض بعد ست ساعات فقط من وصوله إلى وحدة العناية المركزة عقب الجراحة، والتنبؤ بما إذا كان سيصاب بإصابة في الكلى خلال الأسبوع التالي. لم يكن الهدف هو انتظار وقوع الضرر ليصبح واضحًا، بل تحديد المخاطر بينما لا تزال تحت السيطرة. وقد لجأ الباحثون إلى سجلات رقمية هائلة لآلاف المرضى السابقين لتعليم الكمبيوتر كيفية التعرف على العلامات الدقيقة للمتاعب قبل أن تصبح حرجة.
استخدم الفريق مجموعتين ضخمتين من البيانات الطبية من مستشفيات في الولايات المتحدة. جاءت المجموعة الأولى من مستشفى واحد في بوسطن، وتضم سجلات لأكثر من ستة آلاف بالغ خضعوا لعملية ترقيع الشريان التاجي. أما المجموعة الثانية، فقد جاءت من عشرات المستشفيات في جميع أنحاء البلاد، ووفرت سجلات لأكثر من أربعة آلاف مريض مشابه. وقد ركزوا تحديدًا على البالغين الذين لم يعانوا بالفعل من مشاكل في الكلى في أول ست ساعات بعد الجراحة، لضمان أنهم يتنبأون بإصابات جديدة وليس رد فعل لإصابات قديمة. قام الباحثون بتغذية الكمبيوتر باثنين وعشرين معلومة مختلفة كانت متاحة بشكل روتيني خلال نافذة الست ساعات الأولى تلك. وشمل ذلك عمر المريض، وضغط الدم، ومستويات الأكسجين، وسكر الدم، بالإضافة إلى علامات كيميائية مختلفة في دمهم تعكس مدى كفاءة عمل الكلى والأعضاء الأخرى.
ولإيجاد الإشارات الأكثر فائدة، استخدم الباحثون طريقة إحصائية تعمل مثل "المنخل"، حيث تقوم بتصفية الضجيج للاحتفاظ بالتسعة عوامل الأكثر أهمية فقط. وشملت هذه المتنبئات التسعة عمر المريض، ونوع الجراحة التي خضع لها، ووظيفة الكلى الأساسية، وقياسات محددة لضغط الدم ومستويات الأكسجين خلال الساعات الأولى من التعافي. ثم قاموا بتدريب خمسة نماذج حاسوبية مختلفة للتعلم من هذه العوامل التسعة، واختبار أي منها يمكنه التمييز بشكل أفضل بين المرضى الذين سيصابون بإصابة في الكلى وأولئك الذين لن يصابوا بها. وكان النموذج الأكثر نجاحًا هو خوارزمية متطورة تُعرف باسم "XGBoost"، وهي مصممة لإيجاد أنماط معقدة في البيانات.
عندما اختبر الباحثون هذا النموذج على المجموعة الأولى من المرضى، كان أداؤه جيدًا إلى حد ما، حيث قام بترتيب المرضى حسب الخطورة بشكل صحيح بنسبة 72% من الوقت. وهذا يعني أنه إذا اخترت مريضين عشوائيين، أحدهما سيصاب بالمرض والآخر لن يصاب، فإن النموذج يمكنه عادةً معرفة أيهما هو المصاب. ومع ذلك، فإن الاختبار الحقيقي لأي أداة تنبؤ طبي هو ما إذا كانت ستعمل على مجموعة مختلفة تمامًا من الناس. وعندما طبق الفريق النموذج على المجموعة الثانية من المرضى من المستشفيات الأخرى، انخفض الأداء قليلاً، حيث قام بترتيب المرضى بشكل صحيح بنسبة 69% تقريبًا. ورغم أن هذا أفضل من التخمين العشوائي، إلا أنه ليس مثاليًا. والأهم من ذلك، أن النموذج كان مفرطًا في الحذر، حيث توقع إصابة عدد أكبر من المرضى مما حدث فعليًا. ففي المجموعة الثانية، قدر النموذج أن حوالي 34% من المرضى سيصابون بإصابة في الكلى، بينما كانت النسبة الفعلية 25% فقط.
كما نظر الباحثون في العوامل التي دفعت هذه التنبؤات. فقد حدد الكمبيوتر أن وظيفة الكلى الأساسية كانت الإشارة الأكثر أهمية، تليها عن قرب السن ومستوى الهيموجلوبين في الدم. وكانت وظيفة الكلى المنخفضة، والتقدم في السن، وانخفاض مستويات الأكسجين، كلها عوامل تدفع التنبؤ نحو خطر أعلى للإصابة. كما أدرك النموذج أن المرضى الذين خضعوا لعملية ترقيع الشريان التاجي بالتزامن مع إصلاح الصمام يواجهون خطرًا أعلى من أولئك الذين خضعوا لترقيع الشريان التاجي وحده. وبالرغم من هذه الرؤى، وجد الباحثون أن النموذج الحاسوبي المعقد لم يقدم ميزة هائلة مقارنة بطريقة إحصائية تقليدية أبسط؛ إذ كان التحسن في الدقة ضئيلاً جدًا، مما يشير إلى أن جودة البيانات وتوقيت التنبؤ أكثر أهمية من تعقيد الرياضيات المستخدمة في تحليلها.
وخلصت الدراسة إلى أنه على الرغم من أن هذه الأداة الجديدة تظهر بوادر واعدة كوسيلة لتحديد المرضى الذين قد يحتاجون إلى مراقبة وثيقة، إلا أنها ليست جاهزة بعد للاستخدام اليومي في المستشفيات. إن حقيقة مبالغة النموذج في تقدير المخاطر في مجموعة أخرى من المرضى تعني أنه يحتاج إلى إعادة معايرة، أو ضبط، ليتناسب مع السكان الخاصين بمستشفى جديد قبل أن يمكن الوثوق به. ويؤكد الباحثون أنه قبل أن يتمكن مثل هذا النموذج من تغيير كيفية علاج الأطباء للمرضى، يجب اختباره في بيئة واقعية حيث يمكن إثبات قدرته على تحسين النتائج فعليًا. وفي الوقت الحالي، يعد هذا العمل بمثابة أساس متين، يثبت أنه من الممكن بناء نظام تنبؤ باستخدام البيانات الروتينية المتاحة بعد ست ساعات من الجراحة، حتى وإن كان النظام لا يزال بحاجة إلى صقل ليكون موثوقًا حقًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.