Performance of Machine Learning Models to Predict the Need for Computed Tomography Brain Scans From Clinical Features in Emergency Department Headache Patients
قيمت هذه الدراسة نماذج تعلم الآلة باستخدام السمات السريرية للتنبؤ بالحاجة إلى فحوصات الأشعة المقطعية للدماغ لدى مرضى الصداع في قسم الطوارئ، ووجدت أنه بينما استطاعت جميع النماذج التمييز بين النتائج الهامة وغير الهامة، فإن نموذج الانحدار اللوجستي قدم معايرة متفوقة مقارنة بنماذج الشب المرن والغابة العشوائية.
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
يسارع ملايين الأشخاص كل عام إلى أقسام الطوارئ حول العالم بسبب الصداع. وبالنسبة للغالبية العظمى، يكون الألم مجرد إزعاج — مسألة مؤقتة وغير خطيرة يمكن علاجها بالراحة أو الأدوية البسيطة. ومع ذلك، بالنسبة لنسبة ضئيلة من هؤلاء المرضى، يكون الصداع هو علامة التحذير الأولى من شيء أكثر خطورة، مثل النزيف في الدماغ، أو ورم، أو سكتة دماغية. ويكمن التحدي الذي يواجه أطباء الطوارئ في أنهم لا يستطيعون التمييز بين الحالات بمجرد النظر إلى المريض. ولضمان السلامة، غالبًا ما يطلبون إجراء فحص التصوير المقطعي المحوسب، أو الأشعة المقطعية (CT)، والذي يستخدم الأشعة السينية لإنشاء صورة مفصلة للدماغ. وبينما تكون هذه الفحوصات منقذة للحياة لأولئك الذين يحتاجون إليها، إلا أنها تعرض المرضى للإشعاع وتستنزف موارد طبية باهظة الثمن. وقد اعتمد الأطباء لفترة طويلة على قوائم مراجعة لـ "العلامات الحمراء" — وهي أعراض محددة مثل الظهور المفاجئ أو الارتباك — لتحديد من يحتاج إلى فحص، لكن هذه القواعد ليست مثالية وغالبًا ما تترك الأطباء في حالة من التخمين.
بدأ الباحثون في استكشاف ما إذا كان بإمكان الحواسيب المساعدة في اتخاذ هذه القرارات بدقة أكبر. ومن خلال تغذية كميات هائلة من بيانات المرضى في التعلم الآلي، وهو نوع من الذكاء الاصطناعي الذي يتعلم الأنماط من الخبرة، يأمل العلماء في بناء أدوات يمكنها التنبؤ باحتمالية وجود مشكلة خطيرة في الدماغ بناءً على أعراض المريض وتاريخه الطبي. والهدف ليس استبدال الطبيب، بل توفير رأي ثانٍ يساعد في تمييز المرضى القلائل الذين يحتاجون حقًا إلى فحص من الكثيرين الذين لا يحتاجون إليه، وبالتالي تقليل التعرض غير الضروري للإشعاع وتسريع الرعاية للجميع.
قام فريق من الباحثين من جامعات عبر أستراليا وأوروبا وآسيا بتجربة هذه الفكرة باستخدام بيانات من العالم الحقيقي من أقسام الطوارض. فقد جمعوا معلومات من أكثر من 5,000 بالغ وصلوا إلى المستشفيات في عشر دول مختلفة مع شكوى الصداع كعرض رئيسي. وشملت المجموعة مرضى من بيئات متنوعة، بدءًا من المستشفيات الجامعية الكبيرة وصولاً إلى العيادات المجتمعية الصغيرة. ونظر الباحثون في مجموعة واسعة من التفاصيل لكل شخص: كيف بدأ الألم، وكم استمر، وأين مكانه، وعمر المريض وتاريخه الطبي، ونتائج الفحوصات البدنية واختبارات الدم. ثم قارنوا هذه التفاصيل مقابل نتائج الأشعة المقطعية الفعلية. وفي هذه الدراسة، كان "النتيجة ذات الأهمية السريرية" يعني اكتشاف شيء خطير مثل نزيف، أو تشوه في الأوعية الدموية، أو ورم. ومن المهم ملاحظة أنه بالنسبة للعديد من المرضى الذين لم يخضعوا للأشعة المقطعية، افترض الباحثون عدم وجود نتائج خطيرة، وهو نهج قياسي في هذا النوع من الأبحاث نظرًا لأن الحالات الخطيرة نادرًا ما يتم إغفالها في بيئات الطوارئ.
اختبر الفريق ثلاثة أنواع مختلفة من نماذج التعلم الآلي لمعرفة أي منها يمكنه التنبؤ بمن لديه نتيجة خطيرة بشكل أفضل. كان أحد النماذج عبارة عن طريقة إحصائية تقليدية، بينما كانت النماذج الأخرى خوارزميات أكثر تعقيدًا مصممة لإيجاد أنماط معقدة في البيانات. وعندما قاموا بتشغيل النماذج مقابل مجموعة جديدة من بيانات المرضى التي لم يروها من قبل، كانت النتائج واضحة. تمكنت جميع النماذج الثلاثة من التمييز بين المرضى الذين يعانون من نتائج خطيرة والذين لا يعانون منها بشكل أفضل من الصدفة العشوائية. ومع ذلك، كان النموذج الأبسط، وهو الطريقة الإحصائية التقليدية، هو الأفضل بشكل عام. فقد كان أفضل قليلاً في تحديد الحالات الصحيحة، والأهم من ذلك، كان أكثر موثوقية في مستويات ثقته. إذ كانت النماذج المعقدة تميل إما إلى التخمين المرتفع جدًا أو المنخفض جدًا بشأن المخاطر، بينما قدم النموذج الأبسط احتمالات تتوافق مع الواقع بشكل وثيق، خاصة بالنسبة للغالبية العظمى من المرضى الذين لديهم خطر منخفض بوجود مشكلات خطيرة.
وجدت الدراسة أن بعض العوامل جعلت النتيجة الخطيرة أكثر احتمالاً. فالمرضى الذين تزيد أعمارهم عن 50 عامًا، والرجال، وأولئك الذين عانوا من صداع مفاجئ ولحظي كانوا أكثر عرضة للخطر. وشملت المؤشرات القوية الأخرى وجود تاريخ من السرطان، أو الارتباك، أو الضعف في أحد الأطراف، أو صعوبة في الكلام. وعلى العكس من ذلك، فإن السمات المرتبطة غالبًا بالشقيقة (الصداع النصفي) الشائعة، مثل الألم في جانب واحد فقط من الرأس أو الحساسية للضوء، كانت مرتبطة في الواقع بانخفاض فرصة حدوث مشكلة خطيرة. واكتشف الباحثون أن النموذج الأكثر فعالية يمكن أن يقلل عدد فحوصات الأشعة المقطعية التي تُجرى بهامش كبير. فإذا استخدم الأطباء هذه الأداة لتوجيه قراراتهم، فقد تمكنوا من تجنب فحص مئات المرضى في مجموعة الاختبار الذين لم يكن من المرجح أن يعانوا من حالة خطيرة، دون تفويت القلة الذين يعانون منها بالفعل.
وعلى الرغم من هذه النتائج الواعدة، يحرص المؤلفون على التأكيد على أن هذا ليس حلاً نهائيًا جاهزًا للاستخدام الفوري في كل مستشفى. تمثل هذه الدراسة خطوة أولى حاسمة، أو "مرحلة رسم خرائط"، حيث يتم تحديد المشكلة وبناء أداة رقمية محتملة. وقبل أن يمكن الوثوق بأداة كهذه لتغيير كيفية عمل أقسام الطوارئ، يجب اختبارها في بيئات جديدة من العالم الحقيقي لضمان عملها بنفس الكفاءة لمختلف المجموعات السكانية وعدم ارتكابها للأخطاء. كما أشار الباحثون إلى أن بياناتهم لم تتضمن كل الأعراض الممكنة التي قد يفحصها الطبيب، وأن النماذج تم تدريبها على بيانات تاريخية بدلاً من المرضى الأحياء. ومع ذلك، تثبت الدراسة أن التعلم الآلي يمكنه بنجاح التعلم من السمات السريرية للتنبؤ بالحاجة إلى فحوصات الدماغ. ومن خلال صقل هذه الأدوات واختبارها بشكل أكبر، قد يمتلك المجتمع الطبي يوماً ما وسيلة موثوقة لضمان حصول كل مريض يحتاج إلى فحص على واحد بسرعة، مع حماية أولئك الذين لا يحتاجون إليه من الإجراءات غير الضرورية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.