Explainable Machine Learning and Temporal Calibration Drift of a TyG- BMI-Based Model for Early Prediction of Gestational Diabetes Mellitus

تعد فترة الحمل وقتاً للتغيرات البيولوجية العميقة، ولكن بالنسبة لبعض النساء، فإنها تجلب أيضاً عاصفة استقلابية خفية. سكري الحمل هو حالة ترتفع فيها مستويات السكر في الدم بشكل خطير أثناء الحمل، مما يشكل مخاطر على كل من الأم والجنين النامي. حالياً، ينتظر الأطباء حتى منتصف فترة الحمل، بين الأسبوع الرابع والعشرين والثامن والعشرين، لإجراء اختبار قياسي يمكنه التأكيد ما إذا كانت هذه الحالة قد استقرت. وبحلول ذلك الوقت، تكون نافذة الوقاية المبكرة قد أُغلقت غالباً. لطالاً بحث الباحثون عن وسيلة لرصد هذه المخاطر في وقت أبكر بكثير، ربما في الأشهر الأولى من الحمل، بحيث يمكن البدء في تغييرات نمط الحياة والمراقبة الوثيقة في وقت مبكر. وللقيام بذلك، يبحثون عن أدلة في دم الأم وقياسات جسدها تشير إلى المشاكل قبل وصولها فعلياً. أحد هذه الأدلة هو مزيج من رقمين بسيطين: مقياس لكيفية تعامل الجسم مع السكر والدهون، ومقياس لوزن الجسم. وعند دمج هذين الرقمين، فإنهما يخلقان درجة واحدة تعكس الصحة الاستقلابية للجسم. ومع ذلك، فإن التحدي لا يكمن فقط في إيجاد درجة تعمل لمرة واحدة، بل في إيجاد درجة تظل دقيقة مع مرور الوقت ومع تغير مجتمع النساء الحوامل. فقد يبدو أداة التنبؤ مثالية في العام الذي بُنيت فيه، لتصبح أقل موثوقية بعد عام واحد، مما يعطي الأطباء ثقة زائفة أو قلقاً غير مبرر.

قام فريق من الباحثين في مستشفى لياوتشنغ الثاني للشعب في الصين ببناء واختبار مثل هذه الأداة. وقد ركزوا على مجموعة محددة من النساء: 528 امرأة حاملاً بجنين واحد زُرن مستشفاهن بين عامي 2023 و2025. أراد الباحثون معرفة ما إذا كان بإمكانهم التنبؤ بأي من هؤلاء النساء ستصاب بسكري الحمل من خلال النظر في البيانات التي جُمعت خلال أول زياراتهن قبل الولادة. لقد جمعوا مجموعة واسعة من المعلومات، بما في ذلك أعمار النساء، وضغط الدم لديهن، والتاريخ الطبي العائلي، ومختلف اختبارات الدم التي تقيس السكر والدهون وعلامات صحية أخرى. وكان جوهر نهجهم عملية حسابية محددة تجمع بين مقياس لمقاومة الأنسولين ومؤشر كتلة الجسم لدى المرأة قبل الحمل. قاموا بتغذية كل هذه البيانات في ثلاثة أنواع مختلفة من البرامج الحاسوبية المصممة لإيجاد الأنماط. استخدم أحد البرامج طريقة إحصائية تقليدية، بينما استخدم الآخران تقنيات تعلم آلي أكثر تقدماً يمكنها اكتشاف العلاقات المعقدة وغير الخطية بين المتغيرات. قام الفريق بتدريب هذه البرامج على بيانات النساء اللواتي تمت رؤيتهن في عامي 2023 و2024، ثم اختبروا، وبشكل حاسم، مدى كفاءة هذه البرامج عند تطبيقها على مجموعة جديدة تماماً من النساء اللواتي وصلن في عام 2025. سمح هذا الفصل لهم برؤية ما إذا كانت النماذج قادرة على التعامل مع مرور الوقت وتغير مجتمع المريضات دون الحاجة إلى إعادة ضبطها.

أظهرت النتتائج أن النماذج الحاسوبية كانت جيدة جداً في ترتيب النساء بشكل صحيح. وعندما نظر الباحثون إلى النساء من عام 2025، تمكن النموذج الأكثر تقدماً في التعلم الآلي، والمعروف باسم XGBoost، من التمييز بشكل صحيح بين من ستصاب بالسكري ومن لن تصاب بمساحة تحت المنحنى (AUC) بلغت 0.88. أدت النماذج الأخرى أداءً مشابهاً، ولم تنخفض قدرتها على ترتيب المريضات بشكل صحيح عند تطبيقها على المجموعة الجديدة من النساء. هذا الاستقرار في الترتيب مهم لأنه يعني أن النماذج لا تزال قادرة على تحديد من هم الأكثر عرضة للخطر مقارنة بغيرهم. ومع ذلك، كشفت الدراسة عن مشكلة أكثر دقة لم يستطع مقياس الترتيب وحده رصدها. فبينما كانت النماذج جيدة في ترتيب النساء حسب درجة الخطورة، فإن الأرقام الفعلية التي أنتجتها — أي النسبة المئوية المحددة لاحتمالية الإصابة بالمرض — تغيرت بمرور الوقت. فعند تطبيق النماذج على مجموعة عام 2025، كانت تميل إلى التنبؤ بخطر أعلى مما حدث بالفعل. ومن الناحية الإحصائية، كانت النماذج تبالغ في تقدير الخطر. حدث هذا الانزياح رغم أن النماذج كانت لا تزال تحدد بشكل صحيح من هم في أعلى قائمة المخاطر. الأمر يشبه توقعات الطقس التي تتوقع بشكل صحيح أن يوم الثلاثاء سيكون أكثر رطوبة من يوم الاثنين، لكنها تتوقع باستمرار احتمال هطول أمطار بنسبة 90 بالمئة لكلا اليومين بينما الاحتمال الفعلي هو 60 بالمئة فقط. الترتيب صحيح، لكن الأرقام المحددة غير دقيقة.

ولمعالجة ذلك، طبق الباحثون تعديلاً رياضياً بسيطاً على النماذج بعد رؤية بيانات عام 2025. هذه العملية، التي تسمى إعادة المعايرة، تعمل أساساً على إعادة ضبط خط الأساس للتنبؤات بحيث يتطابق متوسط الخطر مع العدد الفعلي للنساء اللواتي أصبهن المرض. بعد هذا التعديل، أصبحت النماذج أكثر دقة في تقديراتها المحددة للمخاطر، مما قلل من الخطأ في تنبؤاتها. كما استخدمت الدراسة تقنية لشرح سبب اتخاذ الحاسوب لقراراته بدقة. ومن خلال تحليل البيانات، وجد الباحثون أن الدرجة المجمعة لمقاومة الأنسولين ووزن الجسم كانت العامل الأكثر أهمية في دفع التنبؤات. تلا ذلك عمر المرأة، ومستوى سكر الدم الصائم لديها، ومؤشر كتلة جسمها قبل الحمل. هذه النتائج منطقية بيولوجياً، حيث تعكس الارتباط المعروف بين دهون الجسم الزائدة، وصعوبة إدارة السكر، وتطور مرض السكري أثناء الحمل. لم يكن الحاسوب يخمن فحسب، بل اعتمد بقوة على العوامل التي يعرف الأطباء بالفعل أنها حاسمة.

وعلى الرغم من هذه النتائج الواعدة، فإن الباحثين حذرون من إعلان حل المشكلة تماماً. فقد أُجريت الدراسة في مستشفى واحد، وكان عدد النساء اللواتي أصبن بالحالة فعلياً في المجموعة الجديدة صغيراً نسبياً. وحقيقة أن النماذج احتاجت إلى إعادة معايرة تشير إلى أنها ليست جاهزة بعد للاستخدام كأداة تشخيصية مستقلة في كل عيادة دون تحديثات دورية. تسلط الدراسة الضوء على أن النموذج يمكن أن يكون ممتازاً في فرز المرضى حسب المخاطر مع استمرار عدم دقته في أرقامه المحددة، وهي مشكلة غالباً ما يتم إغفالها إذا نظر الباحثون فقط إلى درجات الترتيب. وخلص المؤلفون إلى أنه لكي تكون مثل هذه الأداة آمنة للاستخدام السريري، يجب مراقبتها وتعديلها باستمرار مع مرور الوقت. ويتضمن المسار المستقبلي اختبار هذه النماذج في العديد من المستشفيات وعبر مجموعات أكبر من النساء لضمان بقائها موثوقة. وحتى ذلك الحين، يعمل هذا العمل كتذكير حيوي بأن بناء نموذج تنبؤ هو مجرد الخطوة الأولى؛ فالحفاظ على دقته وموثوقيته بمرور الوقت هو عملية مستمرة تتطلب اهتماماً دائماً.