Predicting In-Hospital Falls Using Routine Care Data: A Precision Nursing Evaluation of Resampling Strategies for Imbalanced Classification
تُظهر هذه الدراسة أن نموذج الغابة العشوائية (Random Forest) المعزز بتقنية (RandomOverSampler) يحقق أعلى دقة تنبؤية (77.00%) لحالات السقوط داخل المستشفى باستخدام بيانات جُمعت بشكل روتيني، متفوقاً بذلك على التقنيات التوليدية المعقدة، ومؤكداً أن استراتيجيات إعادة أخذ العينات الأبسط تعالج عدم توازن الفئات بفعالية لتطبيقات التمريض الدقيقة القابلة للتفسير.
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 الممرات الهادئة للمستشفى، تعتمد سلامة المريض على يقظة مستمرة، وغالباً ما تكون غير مرئية. ومن بين المخاطر العديدة التي يواجهها الشخص أثناء تلقي الرعاية، يعد السقوط حدثاً خطيراً بشكل خاص. فهو ليس مجرد تعثر؛ بل يمكن أن يؤدي إلى كسور في العظام، وإصابات في الرأس، وخوف عميق الجذور يمنع الشخص من الحركة، مما يضعفه أكثر بدورها. ولأن حالات السقوط نادرة نسبياً مقارنة بالعدد الإجمالي للمرضى المقبولين، فإنها تظهر كحوادث متفرقة ومعزولة في سجلات المستشفى الضخمة. وهذا الندرة تجعل من الصعب التنبؤ بها باستخدام البرامج الحاسوبية القياسية، والتي غالباً ما ترتبك عندما يحدث نوع واحد من النتائج بشكل أقل تكراراً بكثير من نوع آخر. ولحل هذه المشكلة، بدأ الباحثون في البحث في كيفية تعليم الحواسيب رصد هذه الأحداث النادرة من خلال تعديل البيانات التي تتعلم منها، وهي عملية تُعرف في مجال الذكاء الاصطناعي بمعالجة "البيانات غير المتوازنة". والهدف هو بناء نظام يمكنه النظر إلى المعلومات الأساسية للمريض والقول، بنوع من الثقة، من قد يكون عرضة للخطر، مما يسم يسمح للممرضين بالتدخل قبل وقوع حادث.
لق un وضع فريق من الباحثين في البرازيل خطة لاختبار ما إذا كان يمكن استخدام السجلات المستشفى الروتينية، وهي نوع البيانات التي تُجمع يومياً لأغراض الفوترة والإدارة، لبناء مثل هذا النظام. لقد جمعوا معلومات من ثلاثة مستشفيات عامة، حيث اطلعوا على أكثر من 45,000 سجل مريض على مدى عشر سنوات. احتوت هذه السجلات على تفاصيل بسيطة: عمر المريض، وجنسه، وعرقه، وحالته الاجتماعية، ومدة بقائه في المستشفى، وما إذا كان يعاني من أي إعاقات مسجلة. والأهم من ذلك، أن الباحثين لم يستخدموا اختبارات طبية متخصصة أو درجات سريرية معقدة مصم تعمل خصيصاً لتقييم خطر السقوط. بدلاً من ذلك، اعتمدوا كلياً على البيانات اليومية الموجودة بالفعل في أنظمة الكمبيوتر بالمستشفى. أرادوا معرفة ما إذا كان بإمكانهم تدريب حاسوب على التعرف على أنماط السقوط باستخدام هذه المعلومات العادية فقط، وإيجاد أفضل طريقة لتعليم الحاسوب الانتباه لحالات السقوط النادرة دون أن يطغى عليها عدد الحالات التي لم تسقط.
وللقيام بذلك، جرب الباحثون عدة طرق مختلفة لموازنة البيانات. تخيل فصلاً دراسياً يوجد فيه 76 طالباً لا يسقطون كتبهم أبداً، و24 طالباً يسقطونها فقط. إذا نظر المعلم فقط إلى الأغلبية، فقد لا يتعلم أبداً كيف يبدو شكل أولئك الذين يسقطون الكتب. جرب الباحثون أربع طرق مختلفة لإصلاح هذا الخلل. اعتمدت إحدى الطرق ببساطة على نسخ سجلات المرضى الذين سقطوا لجعل عددهم أكبر. واعتمدت طريقة أخرى على إزالة بعض سجلات المرضى الذين لم يسقطوا لجعل المجموعات متساوية. كما جربوا تقنيات أكثر تقدماً تقوم بإنشاء سجلات مرضى "وهمية" جديدة تبدو حقيقية ولكن صنعها الحاسوب، على أمل أن تساعد هذه الأمثلة الجديدة النموذج على التعلم بشكل أفضل. ثم اختبروا ثمانية أنواع مختلفة من خوارزميات التعلم الحاسوبي، تتراوح من أشجار القرار البسيطة إلى الأنظمة المعقدة التي تبني العديد من أشجار القرار في آن واحد، لمعرفة أي مزيج سيعطي أفضل نتيجة.
أظهرت النت النتائج أن النهج الأبسط كان في كثير من الأحيان الأكثر فعالية. فقد كان النظام الأفضل أداءً هو نموذج استخدم طريقة "النسخ" لموازنة البيانات، مقترناً بخوارزمية تبني العديد من أشجار القرار لاتخاذ تنبؤ نهائي. نجح هذا الإعداد في تحديد مخاطر السقوط بدقة متوازنة بلغت 77 بالمائة. وكان هذا تحسناً واضحاً عن النموذج الأساسي الذي لم يستخدم أي حيل للموازنة، والذي حقق 72.8 بالمائة فقط. تشير هذه النتيجة إلى أن مجرد التأكد من أن الحاسوب يرى أمثلة كافية لحالات السقوط يكفي لتحسين حكمه. ومن المثير للدهشة أن الطرق الأكثر تعقيداً لم تساعد؛ إذ إن التقنية المتقدمة التي أنشأت سجلات مرضى وهمية، رغم قدرتها المثيرة للإعجاب على توليد البيانات، كانت في الواقع أسوأ أداءً من طريقة النسخ البسيطة، حيث حققت دقة تبلغ حوالي 70 بالمائة فقط. وجد الباحثون أن تعقيد توليد بيانات جديدة لم يترجم إلى تنبؤات أفضل لهذا النوع المحدد من السجلات المستشفائية.
عندما نظر الباحثون عن كثب في الأمور التي كان أفضل نموذج يركز عليها، برزت ثلاثة عوامل كأهم الأدلة. العامل الأول كان العمر؛ حيث تم تصنيف المرضى الأكبر سناً باستمرار كأكثر عرضة للخطر. والثاني كان مدة بقاء المريض في المستشفى؛ حيث وجد النموذج أن المرضى الذين قضوا ما بين 10 إلى 5-59 يوماً كانوا معرضين لخطر أعلى بشكل ملحوظ من أولئك الذين وصلوا للتو أو أولئك الذين قضوا فترات طويلة جداً. والعامل الثالث كان الجنس، حيث ظهر أن المرضى الذكور معرضون لخطر أعلى قليلاً من الإناث في هذه المجموعة من البيانات. وأشار الباحثون إلى أنه بينما لم يستطع النموذج شرح سبب وجود هذه الأنماط، فقد نجح في استخدامها لإجراء التنبؤات. فعلى سبيل المثال، يتوافق الارتباط بين العمر والسقوط مع ما هو معروف بالفعل في الطب، مما يمنح الباحثين الثقة في أن النموذج يتعلم أنماطاً حقيقية وليس مجرد ضوضاء عشوائية.
خلصت الدراسة إلى أن المستشفيات لا تحتاج إلى مستشعرات باهظة الثمن أو اختبارات طبية معقدة للبدء في التنبؤ بحالات السقوط؛ إذ يمكنها استخدام البيانات المتوفرة لديها بالفعل. ومن خلال التركيز على العمر، ومدة التنويم في المستشفى، والجنس، يمكن للممرضين استخدام أداة حاسوبية بسيطة لتحديد المرضى الذين يحتاجون إلى عناية إضافية. ويحذر الباحثون من أنه بينما يعد النموذج جيداً في رصد الأنماط، فإنه لا يثبت أن هذه العوامل تسبب السقوط، بل يظهر فقط أنها مرتبطة به. علاوة على ذلك، تسلط الدراسة الضوء على أن التكنولوجيا الأكثر تطوراً ليست هي الحل الأفضل دائماً. ففي هذه الحالة، نجحت طريقة مباشرة لموازنة البيانات بشكل أفضل من التقنية العالية لتوليد أمثلة اصطناعية. ويقدم هذا العمل مساراً عملياً نحو التمريض الدقيق، حيث يتم تخصيص الرعاية للفرد بناءً على المعلومات المتاحة بالفعل عند سرير المريض، مما يساعد في الحفاظ على سلامة المرضى دون إضافة عبء ثقيل على طاقم التمريض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.