An Interpretable Machine Learning Framework for Predicting In-Hospital Mortality in Patients with Heart Failure and Concurrent Infection: Development Using MIMIC-IV and External Validation in eICU-CRD
طورت هذه الدراسة نماذج تعلم آلي قابلة للتفسير تم التحقق من صحتها خارجياً باستخدام بيانات MIMIC-IV وeICU-CRD للتنبؤ بالوفيات داخل المستشفى لدى المرضى الذين يعانون من فشل القلب والعدوى المتزامنة، مما كشف عن تباين في أداء النماذج عبر قواعد البيانات والمجموعات الفرعية للإصابة بالعدوى مع تحديد المتنبئات السريرية الرئيسية من خلال تحليل SHAP.
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
عندما يكافح القلب لضخ الدم بفعالية، يشعر الجسم بأكمله بالإجهاد. هذه الحالة، المعروفة باسم فشل القلب، تترك المرضى بقدر ضئيل جداً من الاحتياطي للتعامل مع أي ضغوط إضافية. فإذا أصيب مريض كهذا بعدوى، يمكن أن يتدهور الوضع بسرعة. يشن جهاز المناعة في الجسم استجابة التهابية هائلة لمحاربة الجراثيم، ولكن هذه الاستجابة نفسها يمكن أن ترهق قلباً ضعيفاً بالفعل، مما يؤدي إلى دورة خطيرة من فشل الأعضاء. بالنسبة للأطباء في وحدات العناية المركزة، يعد التنبؤ بما إذا كان مريض يعاني من فشل القلب والعدوى معاً سينجو خلال فترة إقامته في المستشفى تحدياً حرجاً. تعتمد الأدوات التقليدية المستخدمة لتقدير المخاطر غالباً على قوائم تدقيق بسيطة تعامل كل عرض كبند منفصل، مما يغفل الطرق المعقدة التي تتفاعل بها هذه المشكلات المختلفة. ولمعالجة ذلك، بدأ الباحثون في استكشاف ما إذا كانت الأنظمة الحاسوبية القادرة على إيجاد أنماط خفية في كميات هائلة من البيانات يمكن أن تقدم صورة أوضح لمن هم في أمس الحاجة إلى الحذر.
وضع فريق من الباحثين من مستشفى ووهان يونيون (Wuhan Union Hospital) خطة لبناء واختبار مثل هذا النظام. أرادوا إنشاء أداة يمكنها النظر في العديد من العلامات المختلفة التي يظهرها المريض عند وصوله — مثل عمره، وعلاماته الحيوية، ونتائج فحوصات الدم — ودمجها للتنبؤ باحتمالية الوفاة خلال فترة إقامته في المستشفى. وللقيام بذلك، لجأوا إلى مجموعتين ضخمتين من السجلات الطبية المتاحة علناً من وحدات العناية المركزة في الولايات المتحدة. احتوت المجموعة الأولى، المعروفة باسم MIMIC-IV، على بيانات من مستشفى واحد كبير، بينما جمعت المجموعة الثانية، وهي eICU-CRD، معلومات من مئات المستشفيات في جميع أنحاء البلاد. ركز الباحثون تحديداً على البالغين الذين تم تشخيص إصابتهم بكل من فشل القلب والعدوى. وقد حددوا 1,415 مريضاً في قاعدة البيانات الأولى لبناء نماذجهم، ثم اختبروا تلك النماذج على 2,826 مريضاً مختلفاً من قاعدة البيانات الثانية لمعرفة ما إذا كانت النتائج ستصمد في مجموعة متنوعة من البيئات.
قام الفريق بتدريب أربعة أنواع مختلفة من خوارزميات التعلم الحاسوبي لإجراء هذه التنبؤات. كانت إحدى الطرق عبارة عن نهج إحصائي قياسي، بينما كانت الأنظمة الثلاثة الأخرى أكثر تقدماً، وهي أنظمة تبني أشجار اتخاذ القرار لإيجاد علاقات معقدة بين المتغيرات. وقسم الباحثون المرضى إلى مجموعات بناءً على ما إذا كانت عدواهم ناتجة عن بكتيريا أو عن كائنات أخرى مثل الفيروسات أو الفطريات، لأن استجابة الجسم تختلف باختلاف نوع العدوى. ثم طلبوا من النماذج الحاسوبية تخمين المرضى الذين سيعيشون والذين لن يعيشوا، ومقارنة النتائج بالنتائج الفعلية المسجلة في المستشفى.
أظهرت النتائج أنه لا يوجد برنامج حاسوبي واحد مثالي لكل موقف. في مجموعة المرضى الأولية من المستشفى الواحد، كان أحد النماذج المتقدمة المسمى LightGBM هو الأفضل أداءً بشكل عام، وكان بارعاً بشكل خاص في التنبؤ بالنتالئج للمرضى المصابين بعدوى بكتيرية. ومع ذلك، بالنسبة للمرضى المصابين بعدوى غير بكتيرية، كان نموذج آخر يسمى XGBoost أكثر دقة. وعندما اختبر الباحثون هذه النماذج نفسها على المجموعة الثانية الأكبر من المرضى من مستشفيات عديدة ومختلفة، تغيرت التصنيفات مرة أخرى. في هذه المجموعة الأوسع، أصبح نموذج ثالث يسمى AdaBoost هو الأفضل أداءً للعدوى البكتيرية، بينما ظل XGBoost هو الأقوى للعدوى غير البكتيرية. يشير هذا التباين إلى أن أفضل أداة للتنبؤ بالمخاطر تعتمد بشدة على المجموعة المحددة من المرضى ونوع العدوى التي لديهم، بدلاً من وجود خوارزمية عالمية واحدة تعمل بشكل أفضل في كل مكان.
لفهم كيفية اتخاذ هذه النماذج الحاسوبية لقراراتها، استخدم الباحثون تقنية تحليل SHAP، والتي تعمل مثل "كشاف الضوء" لتوضيح العوامل الأكثر أهمية لكل تنبؤ. ووجدوا أن النماذج اعتمدت بشكل كبير على بعض المؤشرات الرئيسية. كان المقياس الذي يقيس مستوى وعي المريض، والمعروف بمقياس غلاسكو للغيبوبة، عاملاً رئيسياً. وشملت المدخلات الحرجة الأخرى عدد خلايا الدم البيضاء في الدم، ومستوى منتج فضلات يسمى نيتروجين يوريا الدم، ووزن جسم المريض، وكمية البول التي ينتجها. وأظهر التحليل أن المستويات المرتفلة من خلايا الدم البيضاء ونيتروجين يوريا الدم تدفع التنبؤ نحو خطر أعلى للوفاة، بينما ارتبط ارتفاع إنتاج البول وزيادة وزن الجسم بانخفاض خطر الوفاة.
على الرغم من هذه النتائج، يوضح الباحثون بحذر أن عملهم ليس جاهزاً بعد ليُستخدم كأداة معيارية في المستشفى. لقد كانت الدراسة نظرة استعادية لبيانات سابقة، مما يعني أن الكمبيوتر تعلم من سجلات مرضى تم علاجهم بالفعل، بدلاً من اختبار علاج جديد في الوقت الفعلي. وتبرز الاختلافات في الأداء بين قاعدتي البيانات أن البيانات الطبية يمكن أن تختلف بشكل كبير اعتماداً على مكان جمعها، وأن النموذج الذي يعمل جيداً في مستشفى واحد قد لا يعمل بنفس الكفاءة في مستشفى آخر دون تعديل. علاوة على ذلك، تشير الدراسة صراحة إلى أن العوامل التي حددها الكمبيوتر ليست أسباباً مثبتة للوفاة؛ بل هي مجرد الإشارات التي استخدمها النموذج لاتخاذ تخميناته. ويخلص الباحثون إلى أنه بينما توفر أنظمة التعلم الآلي القابلة للتفسير هذه طريقة واعدة لاستكشاف أنماط المخاطر في المرضى المعقدين، إلا أنها تتطلب مزيدًا من الاختبار في تجارب سريرية مستقبلية في العالم الحقيقي قبل أن يمكن الوثوق بها لتوجيه القرارات المتعلقة بالحياة أو الموت.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.