An explainable machine learning model integrating multidimensional clinical information for early identification and probability stratification of Non-ST-Segment Elevation Myocardial Infarction

في كل عام، يهرع الملايين من الناس إلى غرف الطوارئ بسبب آلام الصدر، وهو عرض يشير إلى احتمال حدوث نوبة قلبية. يواجه الأطباء لغزًا صعبًا: التمييز بين النوبة القلبية حيث تموت عضلة القلب فعليًا، وبين حالة تسمى "الذبحة الصدرية غير المستقرة"، حيث تعاني عضلة القلب من نقص الأكسم لكنها لم تتعرض بعد لتلف دائم. الأداة القياسية لهذه المهمة هي اختبار دم يقيس بروتينًا يسمى "تروبونين I القلبي عالي الحساسية". فعندما تتضرر خلايا القلب، تسرب هذا البروتين إلى مجرى الدم. وبينما يعد هذا الاختبار ممتازًا في رصد الأضرار الشديدة، إلا أنه غالبًا ما يترك الأطباء في منطقة رمادية عندما تكون المستويات مرتفعة قليلاً فقط. في هذه اللحظات غير اليقينية، لا يمكن للبروتين وحده أن يخبر الأطباء دائمًا ما إذا كان المريض يعاني من نوبة قلبية كاملة أو مجرد ألم شديد في الصدر، مما يجعل من الصعب تحديد من يحتاج إلى علاج فوري وحازم ومن يمكن مراقبته عن كثب.

لقد طور فريق من الباحثين في مستشفى "بكين جيشويتان" طريقة جديدة للتنقل عبر حالة عدم اليقين هذه. فقد أنشأوا نموذجًا حاسوبيًا يعمل كمساعد مدرب تدريبًا عاليًا، لا ينظر فقط إلى اختبار البروتين المنفرد، بل ينظر إلى مجموعة واسعة من فحوصات الدم الروتينية وتاريخ المريض المرضي في آن واحد. ومن خلال تغذية الحاسوب بمعلومات عن الالتهاب، وتجلط الدم، ووظائف الكلى، وتوقيت الأعراض، جنبًا إلى جنب مع اختبار البروتين القياسي، يتعلم النموذج رصد أنماط دقيقة قد تخفى على العين البشرية. لم يكن الهدف هو استبدال الطبيب، بل توفير احتمالية أكثر وضوحًا وتخصيصًا للإصابة بنوبة قلبية، وتحويل التخمين الغامض إلى مخاطرة محسوبة يمكن أن توجه القرارات المنقذة للحياة.

بدأ الباحثون بجمع البيانات من ما يقرب من 3700 مريض تم إدخالهم إلى مستشفىهم بين عامي 2021 و2025 بسبب مشكلات قلبية مشتبه بها. لقد راجعوا السجلات الطبية لكل شخص بعناية، وقسموهم إلى مجموعتين: أولئك الذين تم تشخيصهم في النهاية بأنهم يعانون من "احتشاء عضلة القلب دون ارتفاع مقطع ST"، وهو النوع المحدد من النوبات القلبية الذي أرادوا تحديده، وأولئك الذين يعانون من ذبحة صدرية غير مستقرة. ومن قائمة ضخمة تضم 124 دليلًا محتملاً وُجدت في سجلات المرضى، استخدم الفريق عملية اختيار متطورة للعثور على أكثر 16 قطعة من المعلومات فائدة. وشمل ذلك اختبار البروتين القياسي، ولكن أيضًا علامات الالتهاب، وسكر الدم، وصحة الكلى، ومدة شعور المريض بالألم قبل وصوله إلى المستشفى.

بعد ذلك، قاموا بتدريب خوارزمية حاسوبية، وهي نوع من أنظمة تعلم الآلة المعروف باسم "شجرة قرار تعزيز التدرج" (gradient boosting decision tree)، لتعلم الفرق بين المجموعتين. يعمل هذا النظام من خلال بناء سلسلة من قواعد القرار البسيطة التي، عند دمجها، تخلق متنبئًا قويًا. تم اختبار الحاسوب على مجموعة من المرضى الذين لم يسبق له رؤيتهم من قبل لضمان قدرته على التعامل مع مواقف العالم الحقيقي. وأظهرت النتائج أن النموذج كان دقيقًا بشكل ملحوظ، حيث حدد بدقة الغالبية العظمى من حالات النوبات القلبية. والأهم من ذلك، عندما قارن الباحثون نموذجهم الجديد بالطريقة القياسية المعتمدة على استخدام اختبار البروتين فقط، وجدوا أن النهج الجديد كان أفضل بكثير في تقدير المخاطر الفعلية لكل مريض على حدى. لقد قلل من عدد الأخطاء في التنبؤ وكان أفضل بكثير في إعادة تصنيف المرضى إلى مجموعات المخاطر الصحيحة، مما يضمن عدم تفويت عدد أقل من الأشخاص المصابين بنوبات قلبية.

أحد الجوانب الأكثر قيمة في هذا العمل هو أن النموذج قابل للتفسير. فخلافًا للعديد من الأنظمة الحاسوبية التي تعمل كـ "صندوق أسود"، تعطي إجابة دون توضيح السبب، يمكن لهذا النموذج أن يوضح بالضبط أي العوامل دفعت التنبؤ نحو اتجاه معين. استخدم الباحثون طريقة لتصور كيفية وزن الحاسوب لكل قطعة من المعلومات. ووجدوا أنه بينما ظل اختبار البروتين هو الدليل الأكثر أهمية، إلا أن العوامل الأخرى لعبت دورًا حاسمًا في صقل الإجابة. على سبيل المثال، إذا كان لدى المريض مستوى مرتفع قليًا من البروتين، فإن الحاسوب سينظر إلى علامات الالتهاب لديه ووظائف الكلى ليقرر ما إذا كان هذا الارتفاع الطفيف علامة على نوبة قلبية خطيرة أو مجرد مشكلة بسيطة. لقد تعلم النموذج أن أهمية هذه الأدلة الإضافية تتغير اعتمادًا على مدى ارتفاع مستوى البروتين. ففي الحالات التي يكون فيها البروتين مرتفعًا قليلاً فقط، تصبح اختبارات الدم الأخرى أكثر أهمية لاتخاذ القرار الصحيح.

ولجعل هذه الأداة مفيدة للأطباء، بنى الفريق حاسبة عبر الإنترنت بسيطة. يمكن للطبيب إدخال الأرقام الـ 16 الروتينية من اختبار دم المريض وتاريخه، ويقوم النظام فورًا بإنشاء درجة احتمالية. ثم يقوم بتقسيم هذه الدرجة إلى ثلاث فئات واضحة: مخاطر منخفضة، ومخاطر متوسطة، ومخاطر عالية. بالنسبة للمرضى في مجموعة المخاطر المنخفضة، يقترح النموذج احتمالية منخفضة جدًا لحدوث نوبة قلبية، مما يسمح باحتمالية الخروج من المستشفى بشكل أسرع أو مراقبة أقل كثافة. وبالنسبة لأولئك في مجموعة المخاطر العالية، فإن الاحتمالية عالية جدًا بحيث تدعم العلاج الفوري والحازم. أما المجموعة الوسطى، والتي تمثل جزءًا كبيرًا من المرضى، فيتم وضع علامة عليها للمراقبة الدقيقة وإجراء المزيد من الاختبارات، مع الإقرار بأن الإجابة ليست واضحة بعد. يساعد هذا النهج الأطباء على الابتعاد عن التشخيص البسيط بنعم أو لا، وبدلاً من ذلك يوفر رؤية دقيقة للمخاطر تتناسب مع تعقيد جسم الإنسان.

تشير الدراسة إلى أنه من خلال الجمع بين اختبار البروتين القياسي ورؤية شاملة لصحة المريض العامة، يمكن للأطباء اتخاذ قرارات أكثر دقة في وقت مبكر في غرفة الطوارئ. لا يدعي النموذج أنه بلورة سحرية مثالية؛ بل هو أداة مصممة لدعم الحكم السريري، وليس لاستبداله. ويؤكد الباحثون أن عملهم يستند إلى بيانات من مستشفى واحد وأن النموذج يحتاج إلى الاختبار في بيئات أخرى لتأكيد موثوقيته عبر مجموعات سكانية مختلفة. ومع ذلك، تقدم النتائج مسارًا واعدًا للمضي قدمًا، حيث تُظهر أن مستقبل تشخيص النوبات القلبية قد يكمن في القدرة على دمج العديد من قطع المعلومات الصغيرة والروتينية في صورة واحدة واضحة لمخاطر المريض.