Structured-to-Narrative Representation Framework for Next-Day Discharge Prediction Using Structured EHR Data and Clinical Language Models

في إيقاع المستشفى الصاخب، تعتبر اللحظة التي يغادر فيها المريض لا تقل أهمية عن لحظة وصوله. بالنسبة للجراحين والممرضين، فإن معرفة ما إذا كان المريض الذي خضع لعملية جراحية مخططة في العمود الفقري سيكون مستعداً للذهاب إلى المنزل في اليوم التالي مباشرة هي معلومة حيوية. فهي تتيح للفريق الطبي تنسيق الرعاية، وإدارة توافر الأسرّة، وضمان استخدام الموارد بكفاءة. ومع ذلك، فإن التنبؤ بهذه النتيجة أمر صعب لأن كل مريض مختلف، ويعتمد التعافي على مزيج معقد من العوامل: النوع المحدد للجراحة التي أجريت، وعمر المريض، وصحته العامة، وكيفية استجابة جسده للإجراء. تقليدياً، حاولت الحواسيب حل هذه المعضلة من خلال النظر في صفوف وأعمدة من البيانات—قوائم من الأرقام والرموز التي تمثل نتائج المختبر، والتشخيصات، والإجراءات. وبينما تعمل هذه الطرق بشكل جيد، إلا أنها غالباً ما تبدو كـ "صندوق أسود" للأطباء الذين يستخدمونها، حيث تقدم تنبؤاً دون تقديم تفسير واضح لسبب اتخاذ هذا القرار.

استكشف فريق من الباحثين في جامعة كاليفورنيا، إيرفاين، طريقة جديدة لسد هذه الفجوة بين البيانات الخام والفهم البشري. لقد طرحوا سؤالاً بسيطاً: ماذا لو استطاع الكمبيوتر قراءة التاريخ الطبي للمريض ليس كجدول بيانات من الأرقام، بل كقصة قصيرة وواضحة؟ في دراستهم، المنشورة في أغسطس 2026، طور الباحثون نظاماً يأخذ البيانات المهيكلة من السجلات الصحية الإلكترونية—مثل المؤشرات الثنائية لما إذا كان قد طُلب اختبار مختبري معين أو أُجريت جراحة معينة—ويحولها تلقائياً إلى جمل باللغة الإنجليزية البسيطة. ثم قاموا بتدريب نموذج حاسوبي متخصص لقراءة هذه القصص المولدة والتنبؤ بما إذا كان المريض سيخرج من المستشفى في اليوم التالي. لم يكن الهدف هو الحصول على الإجابة الصحيحة فحسب، بل القيام بذلك بطريقة تحاكي كيفية تفكير الطبيب البشري، من خلال النظر إلى سرد حالة المريض بدلاً من نقاط البيانات المنعزلة.

حلل الباحثون سجلات 1,958 شخصاً بالغاً خضعوا لجراحة اختيارية في العمود الفقري في مركز طبي كبير في الولايات المتحدة. لكل مريض، جمعوا حوالي 600 قطعة مختلفة من المعلومات، بما في ذلك العمر، والجنس، ونتائج المختبر، والرموز المحددة للإجراءات والتشخيصات المعنية. لقد استبعدوا بعناية التفاصيل الشخصية مثل العرق أو الرمز البريدي لضمان تركيز النموذج فقط على العوامل الطبية. قسم الفريق هذه البيانات إلى مجموعتين لاختبار أفكارهم. أولاً، قاموا بتدريب نماذج تعلم آلي قياسية، وهي تشبه الآلات الحاسبة القوية التي تبحث عن الأنماط في الأرقام، للتنبؤ بالنتيجة. ثانياً، بنوا نوعاً مختلفاً من النماذج يعتمد على تقنية تُعرف باسم "المحول" (transformer)، وهي مصممة لفهم اللغة. هذا النموذج الثاني لم يرَ الأرقام الخام أبداً؛ بل قرأ فقط القصص القصيرة المولدة التي تصف الوضع الطبي لكل مريض. تم إنشاء هذه القصص بواسطة مجموعة من القواعد التي حولت نقاط البيانات إلى جمل، مثل "المريض يبلغ من العمر 65 عاماً وخضع لإجراء دمج محدد"، مع حذف أي معلومات عن النتيجة النهائية حتى يتعين على النموذج تعلم التنبؤ بها بمفرده.

عندما قارن الباحثون النتائج، ثبت أن نماذج التعلم الآلي التقليدية كانت الأكثر دقة في التمييز بين المرضى الذين سيعودون إلى منازلهم وأولئك الذين سيبقون. حققت هذه النماذج مستوى عالياً من التمييز، حيث حددت النتيجة بشكل صحيح في حوالي 94 بالمائة من الحالات عند اختبارها عبر مجموعات مختلفة من المرضى. كما كانت جيدة جداً في تقديم تقديرات احتمالية موثوقة، مما يعني أن مستويات ثقتها تتوافق مع الواقع. ومع ذلك، فإن النموذج الذي اعتمد على القصص السردية كان أداؤه أقل قليلاً من حيث الدقة الخام، حيث حقق درجة تمييز تبلغ حوالي 84 بالمائة. ومع ذلك، فإن هذا الرقم الأقل لم يروِ القصة كاملة؛ فقد أظهر النموذج القائم على السرد قوة مختلفة: كان أفضل بكثير في رصد المرضى الذين سوف يتم خروجهم في اليوم التالي. وبينما كانت النماذج التقليدية تخطئ أحياناً في تحديد حالات الخروج المبكر هذه، نجح نموذج قراءة القصة في تحديد حوالي 75 بالمائة منها. وهذا تمييز حاسم في بيئة المستشفى، حيث يمكن أن يؤدي تفويت مريض جاهز للمغادرة إلى تأخير رعايته واحتلال سرير دون داعٍ.

نظرت الدراسة أيضاً عن كثب في كيفية اتخاذ هذه النماذح لقراراتها لضمان أنها تفكر مثل الأطباء. بالنسبة للنماذج التقليدية، استخدم الباحثون طريقة تسمى تحليل "SHAP"، والتي تسلط الضوء على نقاط البيانات المحددة الأكثر أهمية للتنبؤ. ووجدوا أن النماذج حددت بشكل صحيح أن الجراحات الأكثر تعقيداً، والتقدم في السن، ونتائج المختبر غير المستقرة كانت الأسباب الرئيسية لبقاء المريض لفترة أطından. وقد طابق هذا ما يعرفه الخبراء الطبيون بالفعل. أما بالنسبة للنموذج السردي، فقد كان الاستنتاج مبنياً مباشرة في النص الذي قرأه. فعندما يتنبأ النموذج بأن المريض سيبقى، فمن المرجح أن القصة التي قرأها تحتوي على تفاصيل حول جراحة صعبة متعددة المستويات أو علامات إجهاد فسيولوجي. وعندما يتنبأ بالخروج، تصف القصة إجراءً أبسط مع مضاعفات أقل. هذا الربط المباشر بين النص المدخل والقرار الناتج يجعل استنتاج النموذج شفافاً وسهل المتابعة من قبل الممارس السريري، على عكس الحسابات الخفية للنهج التقليدي.

كان أحد أهم النتائج التي توصلت إليها الدراسة هو أن نماذج اللغة العامة مسبقة التدريب—تلك التي قرأت كميات هائلة من النصوص العامة ولكن ليس بيانات طبية محددة—فشلت تماماً في هذه المهمة. فعندما حاول الباحثون استخدام هذه النماذج الجاهزة دون أي تدريب خاص، لم تتمكن من التعلم للتمييز بين مجموعتي المرضى، وغالباً ما كانت تخمن بشكل عشوائي. وقد أكد ذلك أنه بينما تعد نماذج اللغة قوية، إلا أنها تحتاج إلى تعليم متخصص في كيفية قراءة البيانات الطبية لتكون مفيدة في المستشفى. أظهر الباحثون أنه من خلال ضبط نموذج بدقة (fine-tuning) خصيصاً على القصص المستمدة من البيانات المهيكلة إلى سردية، يمكنهم إنشاء نظام يفهم الفوارق الدقيقة في التعافي السريري. تعلم النموذج أن تركيبات معينة من الإجراءات ونتائج المختبر، عند وصفها في جملة، تحمل معنى محدداً حول جاهزية المريض للعودة إلى المنزل.

خلص الباحثون إلى أنه بينما تظل نماذج التعلم الآلي التقليدية الأداة الأكثر دقة للتنبؤ الصرف، فإن النهج القائم على السرد يقدم بديلاً قوياً للاستخدام في العالم الحقيقي. في مستشفى مزدحم، يكون التنبؤ جيداً بقدر الثقة التي يوليها الفريق الطبي له. إن النظام الذي يشرح استنتاجه بنفس اللغة التي يستخدمها الأطباء يومياً—واصفاً حالة المريض كسلسلة من الأحداث بدلاً من قائمة من الرموز—قد يكون أكثر عرضة للتبني والثقة. تشير الدراسة إلى أن تحويل البيانات المهيكلة إلى قصص لا يجعل المخرجات أسهل في القراءة فحسب، بل يغير جوهرياً كيفية معالجة الكمبيوتر للمعلومات، مما يربط منطقه بشكل وثيق بالتفكير السريري البشري. يوفر هذا النهج مساراً للمضي قدماً في دمج الذكاء الاصطناعي في سير العمل اليومي للمستشفيات، حيث لا يقتصر الهدف على التنبؤ بالمستقبل فح فحسب، بل القيام بذلك بطريقة تساعد الأطباء على اتخاذ قرارات أفضل وأكثر استنارة لمرضاهم.