Prediction at Hospital Admission of In-Hospital Mortality and High-Cost Hospitalization Using Machine Learning in Patients With Severe Community-Acquired Pneumonia: An Exploratory Dual-Risk Stratification Study
طورت هذه الدراسة ونقحت زمنياً نماذج تعلم آلي منفصلة باستخدام بيانات التنويم للتنبؤ بكل من الوفيات داخل المستشفى والاستشفاء عالي التكلفة لدى المرضى المصابين بالالتهاب الرئوي الحاد المكتسب من المجتمع، مما أظهر أداءً فائقاً على الدرجات التقليدية وكشف عن أنماط سريرية واستخدام للموارد متميزة عبر طبقات المخاطر المدمجة.
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
في كل عام، يُدخل ملايين البالغين إلى المستشفيات بسبب الالتهاب الرئوي الحاد، وهو عدوى تهدد الحياة وتصيب الرئتين. بالنسبة للأطباء، يتمثل التحدي المباشر في جانبين: يجب عليهم تحديد المرضى الأكثر عرضة لخطر الوفاة، والمرضى الذين سيتطلبون رعاية مكثفة ومكلفة للغاية. تقليديًا، اعتمدت المستشفيات على قوائم مراجعة بسيطة لتقدير مدى خطورة حالة المريض. تقيس هذه الأدوات علامات أساسية مثل العمر، والارتباك، ومعدل التنفس، وضغط الدم لتقدير خطر الوفاة. ومع ذلك، فإن هذه القوائم نفسها ليست مصممة للتنبؤ بالتكاليف المالية، وغالبًا ما تغفل عن الإشارات البيولوجية المعقدة التي تشير إلى أن المريض سيحتاج إلى إقامة طويلة ومكلفة في المستشفى. ومع مواجهة الأنظمة الصحية لضغوط متزايدة لإدارة الموارد بحكمة، تبرز حاجة ماسة لفهم ليس فقط من قد يموت، بل من سيستهلك أكبر قدر من المستلزمات الطبية ووقت الطاقم الطبي، وذلك بناءً على المعلومات المتاحة في اللحظة التي يدخل فيها المريض من الباب.
وضع فريق من الباحثين في مستشفى نانجينغ الأول وجامعة نانجينغ الصينية خطة لحل هذه المشكلة من خلال بناء نوع جديد من أنظمة التنبؤ. لقد جمعوا بيانات من 1,543 شخصًا بالغًا تم إدخالهم بسبب التهاب رئوي حاد مكتسب من المجتمع بين عامي 2020 و2025. وبدلاً من الاعتماد على قائمة مراجعة واحدة، استخدموا التعلم الآلي، وهو نوع من البرامج الحاسوبية التي تتعلم الأنماط من كميات هائلة من البيانات، لإنشاء نموذجين منفصلين للتنبؤ. تدرب النموذج الأول على التنبؤ باحتمالية وفاة المريض أثناء إقامته في المستشفى. بينما تدرب النموذج الثاني على التنبؤ بما إذا كانت فاتورة المستشفى الإجمالية للمريض ستكون مرتفعة بشكل استثنائي، وهو ما عُرِّف في هذه الدراسة بتكلفة تزيد عن 38,969 يوان صيني. ومن الأهمية بمكان أن كلا النموذجين بُنيا باستخدام المعلومات التي يمتلكها الأطباء في لحظة الدخول تمامًا، مثل العلامات الحيوية، ونتائج فحوصات الدم، والتاريخ الطبي للمريض، مع تجاهل أي بيانات لا تتوفر إلا بعد بدء العلاج.
وجد الباحثون أن نماذج التعلم الآلي الخاصة بهم كانت أفضل بكثير في إجراء هذه التنبؤات مقارنة بالأدوات القياسية المستخدمة حاليًا. فبالنسبة للتنبؤ بالوفاة، حقق أفضل نموذج لديهم مساحة تحت المنحنى (AUC) بلغت 0.73، وهو تحسن ملحوظ عن نظام التسجيل القياسي الذي كان دقيقًا بنسبة 51% فقط تقريبًا. أما بالنسبة للتنبؤ بالتكاليف المرتفعة، فقد تفوق نموذجهم أيضًا على خط أساس بسيط نظر فقط في العمر وعدد الحالات الصحية الموجودة. وكشفت الدراسة أن العوامل التي تدفع نحو خطر الوفاة المرتفع لم تكن هي نفسها تمامًا تلك التي تدفع نحو التكلفة العالية. وبينما نظر كلا النموذجين في نقاط بيانات متشابهة مثل مستويات الأكسجين ووظائف القلب، تعلم الحاسوب أن تركيبات مختلفة من هذه العلامات تشير إلى نتائج مختلفة.
ولفهم هذه النتائج، قام الباحثون بتصنيف المرضى إلى أربع فئات بناءً على مزيج المخاطر التي تنبأت بها نماذجهم. واكتشفوا مجموعتين متميزتين للغاية غالبًا ما تغفل عنهما الطرق التقليدية. تألفت المجموعة الأولى من مرضى تم التنبؤ بأن لديهم خطرًا مرتفعًا جدًا للوفاة ولكن خطرًا منخفضًا لتوليد تكاليف عالية. كان هؤلاء المرضى عادةً من كبار السن وأظهروا علامات شديدة من الضيق الجسدي، مثل معدلات تنفس عالية جدًا ومستويات مرتفعة من بروتين يسمى "اللاكتات"، مما يشير إلى أن الجسم يكافح للحصول على كمية كافية من الأكسجين. ولأن حالتهم كانت حرجة للغاية، فقد تطلبوا غالبًا عناية مركزة وتنفسًا اصطناعيًا، لكن إقامتهم في المستشفى كانت تنتهي غالبًا بسرعة بسبب الوفاة، مما أدى إلى تكاليف إجمالية أقل.
في المقابل، كانت هناك مجموعة ثانية تم التنبؤ بأن لديها خطرًا منخفضًا للوفاة ولكن خطرًا مرتفعًا جدًا لتوليد تكاليف عالية. كان هؤلاء المرضى مستقرين جسديًا بشكل عام ولكنهم تطلبوا مجموعة واسعة من الموارد المكلفة. جاءت تكاليفهم العالية من الاستخدام التراكمي للمستلزمات الطبية، والرعاية التمريضية، والاختبارات المختبرية، والأدوية على مدار فترة زمنية أطول. أظهرت الدراسة أن هاتين المجموعتين لديهما ملفات سريرية مختلفة تمامًا، مما يشير إلى أن درجة خطر واحدة ليست كافية لتوجيه إدارة المستشفيات. ومن خلال النظر في كلا الخطرين في وقت واحد، يمكن للأطباء تحديد المرضى الذين يحتاجون إلى تدخل فوري لإنقاذ الحياة مقابل أولئك الذين يحتاجون إلى إدارة دقيقة ومكثفة الموارد لمنع المضاعفات.
أكد الباحثون أنه على الرغم من أداء نماذجهم بشكل جيد في الاختبارات، إلا أنها لا تزال في مرحلة استكشافية. فقد أُجريت الدراسة في مستشفى واحد، والتكاليف المحددة المتنبأ بها مرتبطة بالأسعار المحلية والسياسات الرعاية الصحية. وأشار الفريق إلى أن عملهم لا يثبت أن تغيير العلاج بناءً على هذه التنبؤات سيؤدي إلى تحسين النتائج، ولكنه يوفر طريقة جديدة لتصور احتياجات المرضى. ويقترحون أنه في المستقبل، يمكن لتقييمات المخاطر المزدوجة هذه أن تساعد المستشفيات على تخصيص مواردها المحدودة بشكل أكثر فعالية، مما يضمن حصول المرضى الأكثر مرضًا على الرعاية العاجلة بينما يتلقى أولئك الذين من المرجح أن يقضوا إقامات طويلة ومعقدة الاهتمام اللازم دون إغراق النظام. وتخلص الدراسة إلى أن استخدام نفس بيانات الدخول للتنبؤ بكل من الوفاة والتكلفة يقدم صورة أكثر اكتمالًا للتحديات التي تواجه مرضى الالتهاب الرئوي الحاد مقارنة بالطرق الحالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.