Development and Validation of a Predictive Model of Major Adverse Kidney Events within 30 Days in Patients with Sepsis-Associated Acute Kidney Injury： Retrospective Cohort Study

في وحدة العناية المركزة، غالباً ما يقاتل الجسم في جبهتين. أحد الأعداء هو إنتان الدم (Sepsis)، وهو رد فعل مهدد للحياة تجاه عدوى يدفع الجهاز المناعي إلى حالة من الاستنفار المفرط، مما يؤدي إلى تضرر الأعضاء والأنسجة. والعدو الآخر هو إصابة الكلى الحادة، وهي فشل مفاجئ للكلى في تصفية الفضلات من الدم. وعندما يجتمع هذان الشرطان معاً، يصبح الوضع خطيراً للغاية؛ فالكلى هي من أوائل الأعضاء التي تتضرر عندما يغلب الإنتان على الجسم، وعندما تفشل، ترتفع مخاطر الوفاة أو الإعاقة طويلة الأمد بشكل حاد. لعقود من الزمن، اعتمد الأطباء على إرشادات عامة لتشخيص هذه الحالات وإدارتها، لكن هذه القواعد صُممت لمجموعات سكانية واسعة، وليس للواقع الفريد والمعقد لمريض فردي يرقد في سرير المستشفى. لقد كان التحدي يكمن في الانتقال من القواعد العامة إلى التنبؤات الدقيقة: أي معرفة المرضى المحددون الأكثر عرضة لمعاناة نتائج كلوية شديدة خلال شهر، وذلك لكي يمكن تخصيص الرعاية لإنقاذهم.

لقد سعى فريق من الباحثين لبناء أداة يمكنها إجراء هذا التنبؤ بدقة أكبر. فقد لجأوا إلى مجموعة هائلة من السجلات الطبية الرقمية لآلاف المرضى الذين تم إدخالهم إلى وحدات العناية المركزة في الولايات المتحدة. وبشكل محدد، ركزوا على مجموعة مكونة من 10,906 بالغاً أصيبوا بإصابة كلوية حادة خلال يومين من تشخيص إصابتهم بإنتان الدم. أراد الباحثون معرفة ما إذا كان بإمكانهم تحديد نمط في البيانات من شأنه أن يشير إلى خطر مرتفع لحدوث "أحداث كلوية سلبية كبرى" في غضض 30 يوماً. وتعتبر هذه النتيجة مزيجاً خطيراً من ثلاثة أشياء: الوفاة في المستشفى، أو الحاجة إلى جهاز لتصفية الدم (غسيل الكلى)، أو بقاء وظائف الكلى متضررة بشكل دائم بعد الخروج من المستشفى. ولإيجاد الإجابة، لم يعتمد الفريق على معادلة واحدة أو قائمة مراجعة بسيطة، بل استخدموا نوعاً متطوراً من التعلم الحاسوبي، يُطلق عليه غالباً "تعلم الآلة" (Machine Learning)، والذي يسمح للحاسوب بإيجاد علاقات معقدة وخفية في كميات هائلة من البيانات قد تغفل عنها العين البشرية.

قام الباحثون بتغذية الحاسوب بمجموعة واسعة من المعلومات حول كل مريض، جُمعت خلال أول 24 ساعة من إقامته في وحدة العناية المركزة. وشمل ذلك تفاصيل أساسية مثل العمر والجنس، وتاريخاً من أمراض أخرى مثل أمراض القلب أو السكري، ولقطة لحالته البدنية الراهنة. ونظر الحاسوب في العلامات الحيوية مثل معدل ضربات القلب وسرعة التنفس، بالإضافة إلى نتائج فحوصات الدم التفصيلية التي تقيس مدى كفاءة عمل الكبد والكلى، ومستوى الأكسجين في الدم، وكيفية تعامل الجسم مع العدوى. كما سجلوا ما إذا كان المرضى قد أُعطوا أدوية قد تكون قاسية على الكلى أو أدوية لدعم ضغط الدم. واختبر الفريق ثمانية أنواع مختلفة من خوارزميات تعلم الآلة، حيث تستخدم كل منها نهجاً رياضياً مختلفاً قليلاً للتعلم من البيانات. وقد قاموا بتدريب هذه النماذج على مجموعة كبيرة من المرضى، ثم اختبروها على مجموعة منفصلة لمعرفة ما إذا كانت النماذج ستتمكن من التنبؤ بشكل صحيح بالنتيجة للأشخاص الذين لم يسبق لها رؤيتهم من قبل.

بعد إجراء الاختبارات، برز نموذج واحد كالأكثر موثوقية؛ فقد كان نظاماً يُعرف باسم "CatBoost"، والذي أثبت أنه أفضل في التمييز بين المرضى الذين سيحظون بنتيجة جيدة وأولئك الذين سيواجهون حدثاً كلوياً كبيراً مقارنة بالنماذج السبعة الأخرى التي تمت مقارنته بها. وعندما طبق الباحثون هذا النموذج الأفضل أداءً على مجموعة مختلفة تماماً من المرضى من قاعدة بيانات أخرى، حافظ على دقته، مما يشير إلى أن الأنماط التي تعلمها كانت حقيقية وليست مجرد مصادفة في مجموعة البيانات الأولى. حقق النموذج مستوى من الدقة يُعتبر قوياً في التنبؤ الطبي، حيث حدد بدقة مخاطر الإصابة لدى الغالبية العظمى من المرضى. وهذا يعني أنه بالنسبة لمريض جديد يعاني من إنتان الدم وإصابة كلوية، يمكن للنموذج النظر في بياناته الأولية وتقديم تقدير واضح لخطر معاناته من حدث كلي كبير خلال شهر.

ولضمان قدرة الأطباء على الثقة في قرارات النموذج وفهمها، لم يعامل الباحثون النموذج كـ "صندوق أسود" يعطي إجابة ببساطة دون تفسير؛ بل استخدموا طريقة لتفكيك التنبؤ وإظهار العوامل التي تدفع المخاطر للأعلى أو للأسفل لكل فرد على حدة. وكشف التحليل أن أقوى مؤشر للنتيجة السيئة كان ببساطة شدة إصابة الكلى نفسها عند دخول المستشفى؛ فالمرضى الذين يعانون من مراحل أكثر تقدماً من تلف الكلى كانوا أكثر عرضة بكثير لنتائج سيئة. وبعيداً عن الكلى، سلط النموذج الضوء على أهمية التاريخ الصحي العام للمريض، وشدة فشل الأعضاء، ومعدل تنفسه. كما أظهر أن التعرض لأدوية معينة يمكن أن تضر بالكلى يزيد من المخفاطر. ومن خلال إظهار كيفية اجتماع هذه العوامل لتشكيل ملف تعريف خطر محدد لشخص واحد، ينتقل النموذج من كونه مجرد إحصائية عامة ليقدم رؤية شخصية لحالة المريض.

تؤكد الدراسة أنه من الممكن استخدام البيانات من اليوم الأول للإقامة في وحدة العناية المركزة للتنبؤ بالمضاعفات الكلوية الخطيرة لدى مرضى إنتان الدم. وتشير النتائج إلى أنه من خلال الجمع بين العلامات الحيوية الفورية للمريض، وفحوصات الدم، وتاريخه الطبي، يمكن لنموذج حاسوبي أن يقدم تقييماً شفافاً ودقيقاً لمخاطره المستقبلية. ولا يحل هذا النهج محل حكم الطبيب، بل يقدم أداة قوية لدعمه؛ فهو يسمح للفرق الطبية بتحديد المرضى الأكثر عرضة للخطر في وقت مبكر، مما قد يمكّنهم من التدخل في وقت أقرب أو المراقبة عن كثب. وبينما تم اختبار النموذج على بيانات من مستشفيات أمريكية وقد يحتاج إلى مزيد من التحقق في أجزاء أخرى من العالم، فإن الاكتشاف الجوهري هو أن الإشارات التي تشير إلى نتيجة كلوية سيئة موجودة ويمكن قياسها منذ بداية المرض الحرج. ويمثل هذا العمل خطوة نحو مستقبل تكون فيه الرعاية في وحدة العناية المركزة موجهة بتنبؤات دقيقة وفردية بدلاً من المتوسطات العامة، مما يساعد في ضمان حصول المرضى الأكثر عرضة للخطر على الاهتمام الذي يحتاجون إليه.