Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

تُعد المستشفيات أماكن تكتنف فيها تعقيدات المرض البشري غالباً خلف مسميات بسيطة. يصل المريض وهو يحمل تشخيصاً طبياً، لكن هذا المصطلح الطبي الواحد نادراً ما يروي القصة الكاملة لما يحتاجه حقاً. فقد يكون هناك شخصان يعانيان من المرض نفسه، ومع ذلك يكون أحدهما قوياً بما يكفي للمشي والأكل بشكل مستقل، بينما يكون الآخر واهناً، مشوشاً، وعرضة لخطر السقوط أو الإصابة بقرح الفراش. لعقود من الزمن، ركزت السجلات الطبية بشكل كبير على التشخيصات الطبية والرموز الإدارية، وهي مفيدة للفواتير وتتبع الأمراض ولكنها غالباً ما تغفل الواقع اليومي للحالة البدنية للمريض واحتياجات سلامته. ومع ذلك، فإن الممرضين مدربون على رؤية هذه الصورة الناقصة؛ ففي كل يوم، يقيمون مدى قدرة المريض على الحركة، ومدى احتمالية تعرضه للانزلاق، وما إذا كانت بشرته معرضة للتضرر. وتخلق هذه الملاحظات خريطة غنية ومفصلة لهشاشة المريض، وهي تفاصيل غالباً ما تتجاهلها السجلات الطاسية القياسية.

لطالما كان التحدي يكمن في كيفية تحويل هذه الملاحظات البشرية المفصلة إلى نظام يمكنه مساعدة الأطباء والممرضين في اتخاذ قرارات أسرع وأفضل لآلاف المرضى. إذا استطاع ممرض رصد نمط من المخاطر في مريض واحد، فهل يمكن للكمبيوتر أن يتعلم رصد نفس النمط في المريض التالي؟ هذا هو السؤال الذي سعى فريق من الباحثين في إسبانيا للإجابة عليه. لقد أرادوا معرفة ما إذا كان بإمكانهم استخدام الملاحظات المنظمة والمحددة التي يكتبها الممرضون عند وصول المريض لتصنيف المرضى إلى فئات واضحة من المخاطر. لم يكن هدفهم مجرد تصنيف المرضى، بل بناء أداة رقمية يمكنها تلقائياً تعيين المريض الجديد إلى مجموعة المخاطر الصحيحة بناءً على فحص تمريضي قصير وروتيني، مما يضمن حصول الأشخاص الأكثر عرضة للخطر على الاهتمام الذي يحتاجون إليه دون تأخير.

عمل الباحثون مع بيانات من مستشفى في إسبانيا، حيث درسوا آلاف الإقامات في المستشفى. بدأوا بجمع مجموعة ضخمة من السجلات لأكثر من 2600 مريض. ولكل مريض من هؤلاء، كان لديهم إمكانية الوصول إلى التقييمات التمريضية الكاملة والمفصلة التي أُجريت عند دخولهم. تضمنت هذه التقييمات درجات حول مدى قدرة المريض على أداء المهام اليومية مثل الأكل والمشي، ومدى احتمالية إصابته بقروح الفراش، وخطر تعرضه للسقوط. كما تضمنت عمر المريض، وجنسه، ودرجة تحصي عدد المشكلات الصحية الأخرى التي يعاني منها. وباستخدام طريقة حاسوبية تبحث عن الأنماط الخفية دون أن تُملى عليها، ترك الفريق البيانات تتحدث عن نفسها؛ حيث طلبوا من الكمبيوتر إيجاد مجموعات طبيعية بين المرضى بناءً على هذه العوامل المجتمعة.

وجد الكمبيوتر خمس مجموعات متميزة، أو "بروفايلات"، بدت منطقية للخبراء البشريين. تألفت المجموعة الأولى من مرضى أصغر سناً يتمتعون بصحة جيدة واستقلالية عالية، مع انعدام شبه تام لخطر السقوط أو الإصابة بقروح الفراش. أما المجموعة الثانية فكانت مشابهة من حيث الاستقلالية البدنية ولكنها مكونة من مرضى أكبر سناً يعانون من مشكلات صحية مزمنة. وتمثلت المجموعة الثالثة في المرضى الذين يعانون من صعوبات متوسطة؛ إذ لا يزال بإمكانهم القيام ببعض الأشياء بأنفسهم، لكنهم يعانون بوضوح. وشملت المجموعة الرابعة مرضى يعتمدون بشكل كبير على الآخرين في الرعاية ويواجهون مخاطر عالية. وأخيراً، كانت المجموعة الخامسة هي الأكثر هشاشة: مرضى كبار جداً في السن يعانون من العديد من المشكلات الصحية، ويعتمدون كلياً على الآخرين في الحركة، ولديهم أعلى المخاطر من السقوط وتضرر الجلد. خلقت هذه الفئات الخمس سلماً واضحاً للمخاطر، ينتقل من أولئك الذين يحتاجون إلى مساعدة قليلة إلى أولئك الذين يحتاجون إلى رعاية مكثفة ومستمرة.

بمجرد تحديد هذه المجموعات الخمس، واجه الباحثون مهمة جديدة. كانوا بحاجة إلى وسيلة لتعيين المرضى الجدد إلى هذه المجموعات دون الحاجة إلى إجراء التقييم التفصيلي المستهلك للوقت في كل مرة. فاستعانوا بأداة أقصر تسمى أداة "VALENF"، وهي عبارة عن قائمة تحقق مكونة من سبعة عناصر يستخدمها الممرضون بشكل روتيني. تطرح هذه القائمة أسئلة بسيطة تقدر نفس المخاطر التي تقيسها الاختبارات الأكثر تفصيلاً وطولاً. قام الفريق بتدريب برنامج حاسوبي على النظر في إجابات هذه الأسئلة السبعة والتنبؤ بمجموعة المخاطر التي ينتمي إليها المريض. واختبروا أنواعاً مختلفة من خوارزميات التعلم الحاسوبي، بحثاً عن النوع الأكثر دقة، والأهم من ذلك، النوع الذي يرتكب "الأخطاء الأكثر أماناً".

في عالم تقييم المخاطر، يمكن أن يسير الخطأ في اتجاهين: إما أن يعتقد الكمبيوتر أن المريض آمن بينما هو في الواقع معرض للخطر، أو يعتقد أن المريض معرض للخطر بينما هو في الواقع آمن. وجد الباحثون أن نوعاً معيناً من الخوارزميات، يُعرف باسم "الغابة العشوائية" (Random Forest)، كان الخيار الأفضل. وبينما كانت طريقة أخرى أكثر دقة بشكل عام، إلا أن "الغابة العشوائية" كانت أفضل في توخي الحذر؛ إذ كانت أكثر عرضة لتصنيف المريض ضمن مجموعة ذات مخاطر أعلى في حال وجود أي شك، بدلاً من وضع شخص ضعيف في فئة منخفضة المخاطر عن طريق الخطأ. وهذا النهج القائم على "السلامة أولاً" أمر حيوي في بيئة المستشفى، حيث يمكن أن يؤدي إغفال خطر ما إلى عواقب وخيمة. وقد نجح النموذج الحاسوبي المختار في تعيين المرضى لمجموعات المخاطر الخاصة بهم بنسبة دقة بلغت حوالي 82 بالمائة أثناء الاختبار، وهو مستوى من الأداء اعتبره الباحثون قوياً بما يكفي للمضي قدماً.

ولمعرفة ما إذا كان هذا النظام سيعمل في العالم الحقيقي، اختبره الفريق على مجموعة جديدة تماماً من المرضى، شملت أكثر من 8000 إقامة في المستشفى سُجلت بعد بضع سنوات. لم يغيروا البرنامج الحاسوبي على الإطلاق؛ بل قاموا ببساطة بتغذيته بالبيانات الجديدة لمعرفة ما سيحدث. كانت النتائج مشجعة؛ فقد نجح النظام في تصنيف المرضى الجدد إلى مجموعات المخاطر الخمس، وظل نمط المخاطر العام ثابتاً. وكان المرضى في مجموعات المخاطر العالية بالفعل أكبر سناً، ولديهم المزيد من المشكلات الصحية، وأقل قدرة على الحركة مقارنة بمن هم في المجموعات منخفضة المخاطر. وقد طابقت تعيينات الكمبيوتر الواقع السريري لحالات المرضى في معظم الحالات.

ومع ذلك، كشفت الدراسة أيضاً عن بعض الفروق الدقيقة المهمة. فقد عمل النظام بشكل أفضل مع المرضى في الفئات المتوسطة والعالية المخاطر. أما بالنسبة للمجموعتين اللتين تضم المريضات بشكل عام بصحة جيدة، فقد قام الكمبيوتر أحياناً بنقلهن بين فئتي "منخفض المخاطر" و"منخفض المخاطر مع وجود مشكلات صحية". حدث هذا لأن مجموعة المرضى الجديدة كانت أكبر سناً قليلاً وتعاني من مشكلات صحية مزمنة أكثر قليلاً من المجموعة الأصلية التي تدرب عليها الكمبيوتر. وبينما تعامل الكمبيوتر مع الحالات المعقدة وعالية المخاطر باستقرار كبير، أظهرت الاختلافات الطفيفة في السكان الأصحاء أن النظام حساس للتغيرات في مزيج المرضى. وأشار الباحثون إلى أنه على الرغم من أن الأداة سليمة تقنياً ومنطقية سريرياً، إلا أنها ليست منتجاً نهائياً جاهزاً لكل مستشفى.

تخلص الدراسة إلى أنه من الممكن ترجمة الصورة المعقدة ومتعددة الأبعاد لصحة المريض إلى ملف تعريف مخاطر بسيط ومؤتمت باستخدام البيانات التمريضية الروتينية. توفر المجموعات الخمس المحددة طريقة واضحة ومرتبة لفهم هشاشة المريض، متجاوزة التشخيصات الطبية البسيطة لتجسد واقع الوظائف اليومية والسلامة. وتعمل الأداة الحاسوبية المطورة لتعيين هذه الملفات بشكل جيد، لا سيما في تحديد أولئك الذين يحتاجون إلى أكبر قدر من الرعاية. ومع ذلك، يحرص الباحثون على التأكيد على أن هذا يمثل نقطة انطلاق وليس حلاً نهائياً. فقبل أن يتمكن مثل هذا النظام من استخدامه لاتخاذ قرارات بشأن رعاية المرضى في المستشفيات، فإنه يحتاج إلى الاختبار في مستشفيات عديدة ومراقبته بمرور الوقت لضمان أنه يساعد في تحسين النتائج ولا يخلق مشكلات جديدة. إن العمل يثبت أن الفكرة قابلة للتطبيق وأن البيانات موجودة، لكن الرحلة من تجربة حاسوبية ناجحة إلى جزء موثوق من الرعاية التمريضية اليومية تتطلب مزيداً من الإثبات والتخطيط الدقيق.