A Multimodal Machine Learning Model for Predicting Prolonged Hospital Stay After Total Hip and Knee Arthroplasty：Development, Internal Validation, and External Validation in MIMIC-IV

تُعد المستشفيات أنظمة بيئية شاسعة ومعقدة، حيث يكون الهدف دائمًا هو الشفاء، لكن مسار التعافي نادرًا ما يكون متماثلاً بين شخصين مختلفين. عندما يخضع مريض لجراحة استبدال مفصل كبرى، مثل استبدال ورك أو ركبة متآكلة، يواجه الفريق الطبي سؤالاً حرجاً: ما هي المدة التي سيحتاجها هذا الشخص للبقاء في المستشفى؟ إن الإقامة التي تمتد لفترة طويلة ليست مجرد عبء مالي على نظام الرعاية الصحية فحسب، بل تزيد أيضاً من خطر إصابة المريض بالعدوى والمضاعفات الأخرى. لعقود من الزمن، حاول الأطباء التنبؤ بفترات الإقامة الطويلة هذه باستخدام قائمة مرجعية من الحقائق القياسية: عمر المريض، ونتائج فحوصات الدم الخاصة به، وشدة حالاته الطبية الأخرى. تخبر هذه الأرقام قصة، لكنها غالباً ما تغفل عن أكثر التفاصيل دقة في حياة المريض وتاريخه، والتي غالباً ما تكون مدفونة في الملاحظات المكتوبة والرموز التشخيصية التي ترافق سجلاته الطبية.

قام فريق من الباحثين الآن ببناء أداة رقمية جديدة من نوعها، صُممت لقراءة الأرقام والكلمات معاً لتحقيق تنبؤ أفضل. ومن خلال تعليم الكمبيوتر كيفية النظر إلى البيانات الطاسية القياسية جنباً إلى جنب مع النص غير المنظم الموجود في سجلات المرضى، أنشأوا نظاماً يمكنه رصد علامات التعافي الصعب في وقت أبكر بكثير من الطرق التقليدية. لا يعتمد هذا النهج على التخمين أو الحدس؛ بل يتعلم من آلاف الحالات السابقة لإيجاد أنماط قد تغفل عنها العين البشرية. والنتيجة هي صورة أوضح لمن يُحتمل أن يواجه إقامة طويلة في المستشفى، مما يسمح للأطباء بالتحضير بشكل أفضل وتقليل الوقت الذي يقضيه المريض في المستشفى محتملاً.

بدأ الباحثون عملهم بجمع بيانات من قاعدة بيانات ضخمة للمرضى الذين خضعوا لعمليات استبدال مفصل الورك أو الركبة الأولية في مستشفى رئيسي في كوريا الجنوبية. وقد ركزوا على 2647 بالغاً خضعوا لعملية استبدال مفصل لأول مرة. ولتحديد ما تعنيه "الإقامة المطولة"، وضعوا معياراً محدداً: أي إقامة في المستشفى تستمر لسبعة عشر يوماً أو أكثر. مثّل هذا الحد أعلى 25 بالمائة من أطول فترات الإقامة في مجموعتهم، وهي النقطة التي تصبح عندها التكاليف السريرية والاقتصادية للإقامة في المستشفى كبيرة. بعد ذلك، قام الفريق بتغذية نموذج الكمبيوتر الخاص بهم بنوعين متميزين من المعلومات. النوع الأول تمثل في البيانات المهيكلة، وهي الحقائق المنظمة والمنسقة التي يجمعها الأطباء بشكل روتيني، مثل العمر، والجنس، ومؤشر كتلة الجسم، ونتائج فحوصات دم محددة مثل الألبومين والهيموجلوبين. أما النوع الثاني فكان النص غير المنظم المستمد من الرموز التشخيصية (ICD-10). هذه الرموز هي الاختصار القياسي الذي يستخدمه الأطباء لسرد كل حالة مرضية يعاني منها المريض، من التهاب المفاصل إلى ارتفاع ضغط الدم. وقد تعامل الباحثون مع هذه الرموز كقصة سردية، محولين قائمة التشخيصات إلى تنسيق يمكن للكمبيوتر تحليله بحثاً عن المعنى.

لبناء محرك التنبؤ الخاص بهم، درب الفريق تسعة خوارزميات مختلفة من تعلم الآلة، وهي برامج كمبيوتر مصممة للتعلم من البيانات بدلاً من اتباع قواعد جامدة ومكتوبة مسبقاً. واختبروا هذه النماذج لمعرفة أي منها يمكنه التمييز بشكل أفضل بين المرضى الذين سيغادرون المستشفى بسرعة وأولئك الذين سيبقون لمدة سبعة عشر يوماً أو أكثر. وكان النموذج الأكثر نجاحاً هو نظام متطور يسمى (LightGBM)، والذي أثبت براعة استثنائية في إيجاد الروابط الدقيقة بين تاريخ المريض ووقت تعافيه. وعند اختباره على جزء من البيانات لم يره النموذج من قبل، حقق مستوى عالياً من الدقة، حيث حدد خطر الإقامة الطويلة بدقة بلغت (AUC) قدرها 0.9160. كان هذا الأداء أفضل بكثير من النماذج التي اعتمدت فقط على فحوصات الدم والبيانات الديموغرافية، مما أثبت أن الطبقة الإضافية من المعلومات المستمدة من النص التشخيصي أضافت قيمة حقيقية.

كان أحد أكثر الجوانب كشفاً في الدراسة هو اكتشاف ما وجده الكمبيوتر أكثر أهمية بالضبط. فعندما طلب الباحثون من النموذج شرح منطقه، وجدوا أن ستة من أكثر عشرين عاملاً تأثيراً جاءت مباشرة من النص التشخيصي بدلاً من فحص الدم. وبينما كانت عوامل مثل مؤشر كتلة الجسم وانخفاض مستويات الألبومين في الدم بالفعل تنبؤات قوية، فقد سلط تحليل النص الضوء على حالات طبية محددة غالباً ما تتجاهلها القوائم المرجعية التقليدية. فعلى سبيل المثال، ظهر وجود التهاب المفاصل العظمي في الركبة، وآلام الركبة غير المحددة، وأشكال أخرى من أمراض المفاصل كإشارات قوية على أن المريض قد يحتاج إلى مزيد من الوقت للتعافي. يشير هذا إلى أن الجمع المحدد للحالات التي يحملها المريض، كما هو مكتوب في سجله، يروي قصة أكثر اكتمالاً من الأرقام وحدها. كما أكد النموذج أن مدة الجراحة نفسها كانت عاملاً رئيسياً، مما يعكس تعقيد الإجراء الطبي.

ولضمان أن نتائجهم لم تكن مجرد مصادفة سعيدة لمجموعة معينة من المرضى، نقل الباحثون نموذجهم إلى قاعدة بيانات مختلفة تماماً من الولايات المتحدة، تُعرف باسم (MIMIC-IV). تحتوي هذه القاعدة على سجلات من وحدة عناية مركزة كبيرة في بوسطن وتمثل نظام رعاية صحية مختلفاً، وفترة زمنية مختلفة، وسكاناً مختلفين. في البداية، انخفض أداء النموذج عند تطبيقه على جميع المرضى في هذه القاعدة الجديدة، والتي ضمت العديد من الأشخاص الذين لم يخضعوا لعمليات استبدال المفاصل. ومع ذلك، عندما قام الباحثون بتصفية البيانات للنظر فقط في المرضى الذين خضعوا بالفعل لعمليات استبدال الورك أو الركبة، ارتفع أداء النموذج بشكل هائل. وفي هذه المجموعة المحددة، أدى النموذج أداءً أفضل حتى مما حققه في الدراسة الأصلية، حيث وصل (AUC) إلى 0.9396. هذا التحسن الدراماتيكي في بيئة مستقلة وخارجية يشير إلى أن الأداة قوية ويمكنها التكيف مع البيئات المختلفة، بشرط استخدامها مع المجموعة الصحيحة من الناس. ومن المهم ملاحظة أنه لأجل هذا التحقق الخارجي، كانت بعض المتغيرات مثل مؤشر كتلة الجسم مفقودة من قاعدة البيانات وكان لزاماً على الباحثين تقديرها، ومع ذلك ظل النموذج يظهر أداءً استثنائياً.

كما بحثت الدراسة في مقدار البيانات المطلية لجعل النموذج موثوقاً. ومن خلال اختبار النظام باستخدام كميات متزايدة من سجلات المرضى، وجد الباحثون أن النموذج يتعلم بسرعة ويستقر بمجرد مراجعته لثلثي بيانات التدريب المتاحة تقريباً. يشير هذا إلى أن الأداة لا تتطلب كمية مستحيلة من المعلومات لتعمل بفعالية، وأنها لا تقوم بمجرد حفظ البيانات بل تتعلم أنماطاً حقيقية. إن قدرة النموذج على التعميم بشكل جيد على قاعدة بيانات مستقلة وجديدة هي علامة قوية على أنه قد التقط حقائق جوهرية حول التعافي بعد جراحة المفاصل، بدلاً من مجرد التقاط سمات غريبة لسجل مستشفى واحد.

رغم هذه النجاحات، يحرص الباحثون على توضيد حدود عملهم. فقد بُني النموذج باستخدام بيانات من مؤسسة واحدة في كوريا الجنوبية وتم التحقق من صحته في وحدة عناية مركزة واحدة في الولايات المتحدة، مما يعني أنه لم يُختبر بعد عبر مجموعة متنوعة من أنظمة الرعاية الصحية العالمية. بالإضافة إلى ذلك، فإن بعض المعلومات الهامة، مثل مؤشر كتلة الجسم الدقيق أو التصنيف المحدد للحالة الصحية العامة للمريض، كانت مفقودة من قاعدة البيانات الخارجية وكان لزاماً تقديرها، مما قد يؤدي إلى بعض عدم اليقين. كما يشير الباحثون إلى أن تعريفهم لـ "الإقامة الطويلة" استند إلى التوزيع المحدد لمجموعتهم الأولية، وهو ما قد لا ينطبق تماماً على كل المستشفيات في العالم. وهم يؤكدون أنه بينما تعد الأداة قوية، إلا أنها تمثل نقطة انطلاق للأبحاث المستقبلية وليست حلاً نهائياً.

الهدف النهائي من هذا العمل هو الانتقال من مجرد التنبؤ إلى اتخاذ الإجراء. فمن خلال تحديد المرضى المعرضين لخطر الإقامة الطويلة قبل دخولهم غرفة العمليات، يمكن للأطباء التدخل مبكراً. قد يقومون بتعديل دواء المريض، أو ترتيب علاج طبيعي إضافي، أو التنسيق مع الأخصائيين الاجتماعيين لضمان انتقال سلس إلى المنزل. وتثبت الدراسة أن المعلومات اللازمة لاتخاذ هذه القرارات موجودة بالفعل في سجلات المرضى، بانتظار قراءتها بشكل صحيح. ومن خلال الجمع بين الأرقام الصلبة لفحوصات الدم والسياق الغني للملاحظات التشخيصية، يقدم هذا النهج الجديد طريقة لجعل الرعاية في المستشفى أكثر كفاءة وتخصيصاً. إنه يشير إلى أن مستقبل التنبؤ الطبي لا يكمن في الاختيار بين البيانات والنصوص، بل في نسجهما معاً لرؤية الصورة الكاملة لصحة المريض.