Interpretable Predictive Modeling for Early Sepsis in the Emergency Department: Development and Temporal External Validation

في بيئة أقسام الطوارئ بالمستشفيات، وهي بيئة تتسم بالفوضى وارتفاع المخاطر، يُعد الوقت المورد الأكثر حيوية. يصل المرضى بأعراض تتراوح ما بين عدوى بسيطة إلى حالة تهدد الحياة تُعرف باسم "إنتان" (Sepsis). يحدث الإنتان عندما تبالغ استجابة الجسم المناعية تجاه العدوى في نشاطها، مما يؤدي إلى إتلاف أنسجته وأعضائه. إنها أزمة صحية عالمية، مسؤولة عن ملايين الوفيات سنويًا. وغالبًا ما يكون قسم الطواراء هو أول مكان يُرى فيه هؤلاء المرضى، مما يجعله الخط الأمامي الأهم لاكتشاف هذه الحالة مبكرًا. ومع ذلك، فإن تحديد الإنتان بسرعة أمر صعب للغاية؛ إذ يمكن أن تكون العلامات خفية، والنافذة الزمنية للعلاج الفعال ضيقة؛ فكل ساعة تأخير في إعطاء المضادات الحيوية المناسبة يمكن أن تزيد بشكل كبير من خطر الوفاة. تقليديًا، اعتمد الأطباء والممرضون على أنظمة تسجيل تتحقق من بضع علامات حيوية ونتائج مخبرية لتقدير المخاطر. ورغم فائدة هذه الأدوات، إلا أنها غالبًا ما تغفل الحالات المبكرة أو تصنف الكثير من الأصحاء كمرضى، مما يؤدي إلى إنذارات غير ضرورية وفرص ضائعة لإنقاذ الأرواح.

قام فريق من الباحثين في جامعة شينجيانغ الطبية في الصين بتطوير نهج جديد لهذه المشكلة، حيث ابتكروا أداة رقمية تعمل كنظام إنذار مبكر عالي الحساسية مصمم خصيصًا لقسم الطوارئ. وبدلاً من الاعتماد على قوائم مراجعة بسيطة، بنوا نموذجًا حاسوبيًا يتعلم من كميات هائلة من بيانات المرضى لرصد الأنماط المعقدة والخفية التي تشير إلى الإنتان قبل أن يصبح واضحًا. جمع الباحثون سجلات لما يقرب من 1500 مريض وصلوا إلى قسم الطوارئ لديهم وهم يعانون من حالات عدوى أو اشتباه في الإصابة بعدوى في الفترة ما بين 1 يناير و31 ديسمبر 2025. قاموا بتغذية هذه البيانات في برنامج حاسوبي متطور، لتعليمه التمييز بين المرضى الذين سيصابون بالإنتان وأولئك الذين لن يصابوا به. لم يكن الهدف مجرد التنبؤ بالنتيجة، بل القيام بذلك بطريقة يستطيع الطبيب البشري فهمها والثقة بها.

ركزت الدراسة على الساعات الست الأولى من وصول المريض إلى المستشفى، وهي فترة حرجة يمكن أن يغير فيها التدخل المبكر مسار المرض. اختار الباحثون أحد عشر معلومة محددة كانت الأكثر فائدة للتنبؤ، بما في في ذلك العمر، والعلامات الحيوية مثل معدل ضربات القلب وضغط الدم، ونتائج فحوصات الدم مثل البروتين التفاعلي-C (C-reactive protein)، والبروكالسيتونين (procalcitonin)، وعدد الصفائح الدموية. قاموا بتدريب سبعة أنواع مختلفة من خوارزميات التعلم الحاسوبي على هذه البيانات، واختبار كل منها لمعرفة أي منها يمكنه الفصل بين المرضى المصابين والأصحاء بأفضل شكل. وبعد مقارنة أدائها، اختاروا نموذجًا يسمى "XGBoost" باعتباره الأكثر فعالية. لم يقم هذا النموذج بمجرد التخمين؛ بل تعلم العلاقات المتشابكة بين المؤشرات الصحية المختلفة، مدركًا أن خطر الإنتان ليس خطًا مستقيمًا، بل هو منحنى معقد حيث يمكن للتغيرات الصغيرة في جانب واحد أن تؤدي إلى تأثيرات كبيرة في جانب آخر.

عند اختبار النموذج على البيانات المستخدمة لبنائه، قدم النظام أداءً جيدًا، حيث حدد بدقة الغالبية العظمى من المرضى الذين سيصابون بالإنتان. ومع ذلك، فإن الاختبار الحقيقي لأي أداة طبية هو مدى نجاحها مع مرضى جدد لم يسبق رؤيتهم. وللتحقق من ذلك، قام الباحثون بتجميد إعدادات النموذج وطبقوه على مجموعة مختلفة تمامًا من المرضى الذين وصلوا إلى نفس المستشفى بين 1 يناير و31 مارس 2026. لم يقوموا بتعديل النموذج على الإطلاق لهذه المجموعة الجديدة. وكانت النتائج مذهلة: حافظ النموذج على دقته العالية، وحدد حالات الإنتان بمستوى من الدقة يتجاوز بكثير طرق التسجيل التقليدية. ولعل الأهم من ذلك، أنه كان بارعًا للغاية في استبعاد المرضى غير المعرضين للخطر، حيث حقق مساحة تحت المنحنى (AUC) قدرها 0�.98 في تحديد الأفراد ذوي المخاطر المنخفضة بشكل صحيح. هذه النوعية العالية من التحديد أمر بالغ الأهمية في قسم الطوارئ المزدحم، لأنها تعني أن النظام نادرًا ما سيطلق إنذارًا كاذبًا، مما يمنع إرهاق الطاقم الطبي بالتنبيهات غير الضرورية.

وما يجعل هذا العمل مهمًا بشكل خاص هو أن الباحثين لم يتوقفوا عند التنبؤ فحسب؛ بل قاموا أيضًا بفتح "الصندوق الأسود" لإظهار كيفية وصول الكمبيوتر إلى استنتاجاته. وباستخدام طريقة تسمى "SHAP"، والتي تفكك عملية اتخاذ القرار، استطاعوا رؤية أي العوامل كانت هي المحرك لقرار النموذج لكل مريض. وكشف التحليل أن مستويات البروتين التفاعلي-C، والبروكالسيتونين، وعدد الصفائح الدموية كانت العوامل الأكثر تأثيرًا. وأظهر النموذج أن هذه المؤشرات لا تعمل بطريقة خطية بسيطة؛ فعلى سبيل المثال، الارتفاع السريع في البروكالسيتونين ضمن النطاق الطبيعي قد يكون دالًا بقدر ما هو المستوى الذي أصبح مرتفعًا بالفعل. هذه القدرة على شرح منطقها تتيح للممرضين والأطباء فهم "السبب" وراء التحذير. فبدلاً من تلقي درجة خطر غامضة، يمكن للممارس السريري أن يرى أن مريضًا معينًا قد تم وضع علامة عليه لأن مؤشرات الالتهاب لديه ترتفع بحدة بينما ينخفض نتاج البول لديه، مما يوفر إشارة واضحة ومبنية على الأدلة لاتخاذ إجراء فوري.

يقر الباحثون بأن هذه الأداة تم تطويرها واختبارها في مستشفى واحد، وأن الرعاية الطبية في العالم الحقيقي تنطوي على متغيرات عديدة لا يمكن للنموذج الحاسوبي استيعابها بعد، مثل ملاحظة الممرض للون بشرة المريض أو حالته الذهنية. كما يشيرون إلى أن نموذجهم يعتمد على بيانات مهيكلة من الساعات الست الأولى ولا يأخذ في الاعتبار بعد كيفية تطور حالة المريض على مدى فترة زمنية أطول. ورغم هذه القيود، تثبت الدراسة أنه من الممكن إنشاء أداة تعلم آلي تتسم بالدقة العالية والشفافية في آن واحد. ومن خلال الجمع بين القوة التنبؤية للخوارزميات المتقدمة ووضوح التفسيرات التي يفهمها البشر، يفتح هذا العمل مسارًا واعدًا نحو مستقبل تدعم فيه التكنولوجيا، بدلاً من أن تحل محل، التقدير النقدي لفرق رعاية الطوارج، مما يساعد في ضمان حصول المرضى المناسبين على الرعاية المناسبة في الوقت المناسب.