A Comprehensive Evaluation of Distributional Shift and Concept Drift Across Preprocessing Configurations, Domain Adaptation, and Representation Learning in GDM Prediction

تُعد فترة الحمل وقتاً للتغيرات البيولوجية المكثفة، وبالنسبة للعديد من النساء، فإنها تحمل خطر الإصابة بسكري الحمل، وهي حالة ترتفع فيها مستويات السكر في الدم بشكل خطير. وإذا تُركت دون علاج، يمكن أن تؤدي إلى مضاعفات خطيرة لكل من الأم والطفل. ولرصد ذلك في وقت مبكر، يعتمد الأطباء غالباً على اختبار دم محدد يسمى "اختبار تحمل الغلوكوز الفموي"، والذي يتضمن شرب محلول سكري والانتظار لرؤية كيفية استجابة الجسم. ومع ذلك، فإن هذا الاختبار يستغرق وقتاً طويلاً ويتطلب معدات خاصة، مما يجعل استخدامه صعباً في كل عيادة أو في المناطق ذات الموارد المحدودة. ولهذا السبب، أمضى الباحثون سنوات في محاولة بناء برامج حاسوبية يمكنها التنبؤ بمن ستصاب بالمرض باستخدام معلومات روتينية بسيطة فقط مثل العمر، والوزن، وضغط الدم. وكان الأمل هو أن تعمل هذه الأدوات الرقمية كنظام إنذار مبكر وسريع، لتنبيه المرضى المعرضين لخطر عالٍ قبل أن يحتاجوا إلى اختبار السكر المعقد.

ومع ذلك، فإن التحدي يكم_ أن هذه البرامج الحاسوبية غالباً ما تعمل بشكل مثالي في المستشفى الذي بُنيت فيه، لكنها تفشل فشلاً ذريعاً عند نقلها إلى عيادة أخرى. يحدث هذا لأن الأشخاص في المستشفيات المختلفة ليسوا متطابقين؛ فلهم أعمار، وأشكال أجساد، وتاريخ صحي مختلف. وعندما يتم تطبيق نموذج تم تدريبه على مجموعة من الناس على مجموعة أخرى، فإن الأنماط الأساسية التي تعلمها قد تنهار. وهذا ليس مجرد مسألة كون النموذج غير دقيق قليلاً؛ بل هو تحول جوهري في كيفية سلوك البيانات. ويسمي الباحثون هذه الحالة بـ "انزياح المفهوم" (concept drift)، وهي حالة يتغير فيها الارتباط بين عامل الخطر والمرض من مكان لآخر. فعلى سبيل المثال، قد يكون العامل الذي يتنبأ بقوة بمرض السكري في مدينة ما، ليس له أي قوة تنبؤية، أو حتى له تأثير عكسي، في مدينة أخرى.

لقد شرع فريق من الباحثين في جامعة مونكتون (Université de Moncton) في التحقيق في سبب فشل هذه النماذج بالضبط عند انتقالها من مجتمع سكاني إلى آخر. أرادوا معرفة ما إذا كانت المشكلة تكمن ببساطة في أن النماذج ليست متطورة بما يكفي، أم أن القضية أعمق، ومتجذرة في البيانات نفسها. ولإيجاد الإجابة، جمعوا مجموعتين كبيرتين من سجلات المرضى: إحداهما من مصدر أساسي تضم أكثر من 3500 امرأة، ومجموعة أخرى منفصلة تماماً تضم أكثر من 1200 امرأة من منطقة مختلفة. ثم بنوا تجربة ضخمة، اختبروا خلالها عشرات الطرق المختلفة لتحضير البيانات وخمسة أنواع مختلفة من نماذج تعلم الآلة. كما جربوا تقنيات متقدمة مصممة لإجبار النماذج على التكيف مع المجتمع السكاني الجديد، وحتى اختبروا نهج التعلم العميق الحديث الذي يحاول تعلم "شكل" البيانات بطريقة أكثر تجريداً.

كانت النتائج صارخة ومتسقة. فعندما تم اختبار النماذج على البيانات التي تدربت عليها، كانت مثالية تقريباً، حيث حددت بدقة جميع حالات سكري الحمل تقريباً. ولكن بمجرد تطبيقها على المجموعة الجديدة والمستقلة من النساء، انهار أداؤها. فبدلاً من الدقة العالية، كان أداء النماذج بالكاد أفضل من التخمين العشوائي. حدث هذا الفشل بغض النظر عن مدى تعقيد النموذج، أو كيفية تنظيف البيانات، أو ما إذا كان الباحثون قد استخدموا حيلًا رياضية خاصة لمواءمة المجموعتين. حتى أنظمة التعلم العميق الأكثر تقدماً، والتي عادة ما تكون جيدة جداً في إيجاد الأنماط الخفية، عانت من نفس الفشل التام. والوقت الوحيد الذي عملت فيه النماذج بشكل جيد على المجموعة الثانية هو عندما قام الباحثون بخلط البيانات من كلا المجموعتين معاً قبل التدريب. وقد أثبت هذا أن النماذج لم تكن بسيطة جداً لدرجة عدم القدرة على تعلم المهمة، بل إنها ببساطة لم تستطع تعلمها دون رؤية أمثلة من المجموعة المستهدفة أولاً.

اكتشف الباحثون أن المتهم الرئيسي كان ميزة محددة في البيانات: نتائج اختبار تحمل الغلوكوز الفموي. ففي المجموعة الأولى من النساء، كان هذا الاختبار هو أقوى مؤشر للتنبؤ بالمرض. وقد تعلمت النماذج الحاسوبية الاعتماد عليه بشدة. ومع ذلك، في المجموعة الثانية من النساء، تغيرت العلاقة بين هذا الاختبار والمرض بشكل جذري لدرجة أنه أصبح عديم الفائدة تقريباً للتنبؤ. ولأن النماذج كانت تعتمد بشدة على هذه المعلومة الواحدة، فقد انهار منطقها بالكامل عندما واجهت المجموعة الجديدة. وعندما قام الباحثون بإزالة هذا الاختبار من البيانات تماماً، أدى أداء النماذج إلى تحسن طفيف في الإعداد الجديد، رغم أنها لا تزال تعاني. وهذا يشير إلى أنه لكي يكون النموذج مفيداً عبر المستشفيات المختلفة، يجب تدريبه دون الاعتماد على الاختبار التشخيصي المحدد الذي يتفاوت بشكل كبير بين المجموعات السكانية.

تعلق اكتشاف رئيسي آخر بكيفية تعامل الباحثين مع المعلومات المفقودة. ففي السجلات الطبية، غالباً ما تكون البيانات غير مكتملة؛ فقد يتم تسجيل ضغط دم المريضة ولكن لا يتم تسجيل وزنها. اختبر الفريق ثلاث طرق مختلفة لملء هذه الفجوات. ووجدوا أن الطريقة الأكثر تطوراً، والتي تستخدم العلاقات بين المتغيرات المختلفة لتخمين القيم المفقودة، كانت الأكثر قوة عند الانتقال بين المجموعات. أما الطرق الأبسط، التي تكتفي بملء القيمة المتوسطة، فقد أدت إلى كسر الروابط الدقيقة بين نقاط البيانات، مما جعل النماذج أقل موثوقية. وهذا يسلط الضوء على أن طريقة تحضير البيانات لا تقل أهمية عن النموذج نفسه.

كما كشفت الدراسة عن تحول مفاجئ فيما يتعلق بالتقنيات المتقدمة المستخدمة لحل هذه المشكلات. فإحدى الطرق الشائعة، التي تحاول مواءمة الخصائص الإحصائية للمجموعتين رياضياً، أدت في الواقع إلى جعل الأمور أسوأ لمعظم النماذج. لقد حسنت أداء نوع واحد من النماذج، لكنها أدت إلى تدهور أداء النماذج الأخرى. وهذا يشير إلى أن مجرد محاولة جعل مجموعتين سكانيتين مختلفتين تبدوان متشابهتين إحصائياً ليست حلاً سحرياً. وفي الواقع، بالنسبة للنماذج التي تعتمد على اتخاذ القرارات بناءً على عتبات محددة، أدت هذه المواءمة إلى تشويه البيانات بطريقة أربكت النموذج بشكل أكبر.

في النهاية، تشير هذه الأعمال إلى استنتاج واضح: إن الحاجز أمام استخدام هذه الأدوات التنبؤية عبر العيادات المختلفة ليس نقصاً في القدرة الحوسبية أو الخوارزميات الذكية. بل الحاجز هو البيانات نفسها. فالعلاقة بين عوامل الخطر والمرض ليست ثابتة؛ بل تتغير اعتماداً على من يتم دراستهم. وجد الباحثون أنه إذا كنت تريد نموذجاً يعمل في مكان جديد، فلا يمكنك مجرد التدريب على بيانات قديمة والأمل في أن يتكيف. يجب عليك تضمين بيانات من المجتمع السكاني الجديد في عملية التدريب، أو على الأقل إعادة معايرة النموذج باستخدام كمية صغيرة من البيانات الجديدة. وحتى يحدث ذلك، فإن النهج الأكثر موثوقية لأداة الفحص هو تجنب استخدام الاختبار التشخيصي المحدد الذي يسبب أكبر قدر من الارتباك، والاعتماد بدلاً من ذلك على المؤشرات الصحية الأساسية الأكثر استقراراً والتي تظل ثابتة عبر المجموعات المختلفة. وتعد هذه الدراسة تذكيراً بأنه في عالم الذكاء الاصطناعي الطبي، فإن النموذج الذي يعمل بشكل مثالي في غرفة واحدة قد يكون أعمى تماماً في الغرفة التالية، والطريقة الوحيدة للرؤية بوضوح هي التعلم من الناس الذين تحاول مساعدتهم.