An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study

في وحدة العناية المركزة، حيث تكون الرهانات في أعلى مستوياتها والوقت هو أثمن مورد، يوازن الأطباء باستمرار بين التوازن الدقيق بين الحالات المزمنة للمريض والتهديدات الحادة الجديدة. اثنتان من أكثر الحالات المزمنة شيوعاً وطلباً هما فشل القلب، حيث يكافح القلب لضخ الدم بفعالية، ومرض السكري من النوع الثاني، وهو حالة لا يستطيع فيها الجسم إدارة مستويات السكر بشكل صحيح. عندما تجتمع هاتان الحالتان معاً، فإنهما تخلقان عاصفة مثالية من الضعف؛ إذ تكون قدرة الجسم على محاربة العدوى متضررة بالفعل بسبب الإجهاد الواقع على القلب والاضطراب الأيضي الناتج عن السكري، مما يجعل هؤلاء المرضى أكثر عرضة للإصابة بتعفن الدم (الإنتان). تعفن الدم هو رد فعل مهدد للحياة تجاه عدوى يمكن أن يؤدي بسرعة إلى توقف الأعضاء والوفاة. ولأن النافذة الزمنية لعلاج تعفن الدم ضيقة، فإن تحديد الإصابة به مبكراً أمر بالغ الأهمية، ومع ذلك، غالباً ما تفشل الأدوات الحالية في رصد علامات الإنذار لدى هذه المجموعة المحددة من المرضى قبل فوات الأوان.

شرع فريق من الباحثين في بناء نوع جديد من شبكة الأمان لهؤلاء المرضى، شبكة يمكنها الاستماع إلى الإشارات الخفية الكامنة في البيانات الطبية للمريض. لقد لجأوا إلى تعلم الآلة، وهو فرع من فروع الذكاء الاصطناعي حيث تتعلم الحواسيب التعرف على الأنماط من خلال دراسة كميات هائلة من الأمثلة الماضية، بدلاً من اتباع مجموعة صارمة من القواعد التي وضعها البشر. كان الهدف هو إنشاء نظام يمكنه النظر في البيانات الروتينية التي يتم جمعها عند وصول مريض يعاني من فشل القلب والسكري إلى وحدة العناية المركزة، والتنبؤ، بدقة معقولة، بما إذا كان على وشك الإصابة بتعفن الدم. وخلافاً للعديد من النماذج الحاسوبية المعقدة التي تعمل كـ "صناديق سوداء"، تعطي إجابة دون شرح السبب، أراد هذا الفريق نظاماً يمكنه أيضاً "إظهار عمله"، أي الإشارة بدقة إلى أي العوامل هي التي رجحت كفة الخطر.

بدأ الباحثون بجمع البيانات من قاعدتي بيانات ضخمتين متاحتين للجمهور تحتويان على سجلات لآلاف مرضى العناية المركزة في الولايات المتحدة. ركزوا تحديداً على البالغين الذين تم إدخالهم وهم يعانون من كل من فشل القلب والسكري من النوع الثاني. ومن بين مجموعة تضم أكثر من 9,000 مرشح محتمل، حصروا تركيزهم في 7,806 مريضاً من قاعدة بيانات واحدة لبناء نموذجهم، ثم اختبروه على مجموعة منفصلة مكونة من 633 مريضاً من مجموعة أخرى من المستشفيات لمعرفة مدى صموده في العالم الحقيقي. لقد نظروا في مجموعة واسعة من المعلومات المسجلة خلال أول 24 ساعة من إقامة المريض، بما في ذلك العلامات الحيوية مثل معدل ضربات القلب ودرجة الحرارة، ونتائج فحوصات الدم، وما إذا كان المريض يستخدم جهاز تنفس اصطناعي.

ولإيجاد أهم القرائن، لم يكتفِ الفريق بالتخمين حول العوامل المهمة، بل استخدموا عملية صارمة لتصفية البيانات، ومقارنة الطرق الإحصائية المختلفة لمعرفة المتغيرات التي تشير باستمرار نحو تعفن الدم. هذه العملية قلصت قائمة طويلة من الاحتمالات إلى سبعة مؤشرات رئيسية فقط. وشملت هذه المؤشرات ما إذا كان المريض يعاني من إصابة حادة في الكلى، أو إذا كان يستخدم جهاز تنفس اصطناعي للمساعدة في التنفس، وعدد خلايا الدم البيضاء، ودرجة حرارة الجسم، ومستوى الوعي لديه مقاساً بمقياس قياسي، ومقياس توازن الحموضة في الدم، ومستوى اللاكتات، وهي مادة تتراكم عندما لا تحصل الأنسجة على ما يكفي من الأكسجين.

قام الفريق بعد ذلك بتدريب سبعة خوارزميات حاسوبية مختلفة لتتعلم من هذه المؤشرات السبعة. واختبروا كل منها لمعرفة أي منها يمكنه التمييز بشكل أفضل بين المرضى الذين سيصابون بتعفن الدم وأولئك الذين لن يصابوا به. برزت خوارزمية واحدة، تُعرف باسم XGBoost، كأكثرها موثوقية. في مرحلة الاختبار الأولية، حددت الخطر بشكل صحيح في حوالي 71 بالمئة من الحالات. وعندما طبق الباحثون هذا النموذج نفسه على المجموعة المنفصلة من المرضى من المستشفيات الأخرى، حافظ على أداء جيد، حيث حدد الخطر بشكل صحيح في حوالي 66 بالمئة من الحالات. ورغم أن هذا ليس مثالياً، إلا أنه يمثل خطوة مهمة للأمام لمجموعة من المرضى الذين لم يكن لديهم سابقاً أداة متخصصة لمساعدتهم على رصد الخطر مبكراً.

إن ما يجعل هذا العمل قيماً بشكل خاص هو أن الباحثين لم يتوقفوا عند مرحلة التنبؤ فحسب؛ بل استخدموا تقنية تسمى SHAP لفتح "الصندوق الأسود" ومعرفة كيف يتخذ نموذجهم قراراته. وقد وجدوا أن الكمبيوتر لم يكن يخمن عشوائياً، بل كان يعطي الأولوية لنفس الأشياء التي ينظر إليها الطبيب المتمرس، ولكن بدقة رياضية. فقد حدد النموذج أن الإصابة الحادة في الكلى، وانخفاض مستوى الوعي، وارتفاع عدد خلايا الدم البيضاء كانت أقوى الإشارات على اقتراب تعفن الدم. كما تعلم النموذج أن درجة حرارة الجسم تلعب دوراً بطريقة محددة: فكل من الحمى المرتفعة ودرجة الحرارة المنخفضة جداً كانت علامات تحذيرية، بينما كانت درجة الحرارة الطبيعية مطمئنة. وبالمثل، أدرك النموذج أن المستويات العالية من اللاكتات والحاجة إلى جهاز تنفس اصطناعي تزيد بشكل كبير من خطر الإصابة.

وقد حرص الباحثون على ملاحظة أنه على الرغم من أداء نموذجهم بشكل جيد، إلا أنه ليس جاهزاً بعد ليحل محل حكم الطبيب أو لاتخاذ قرارات علاجية بمفرده. فقد أظهر الاختبار الخارجي أنه بينما يعد النموذج مفيداً، فإنه ليس معصوماً من الخطأ، ويحتاج إلى مزيد من الاختبار في مستشفيات مختلفة ومع مجموعات سكانية مختلفة قبل أن يمكن استخدامه في الممارسة السريرية اليومية. وتعتبر الدراسة بمثابة إثبات للمفهوم، حيث تثبت أنه من الممكن بناء أداة قابلة للتفسير تستخدم البيانات الطبية الروتينية اليومية لتحديد المرضى المعرضين لخطر عالٍ من فشل القلب والسكري. ومن خلال تسليط الضوء على المزيج المحدد من الفشل الكلوي، وصعوبات التنفس، وتغيرات كيمياء الدم التي تنذر بالخطر، يقدم هذا العمل طريقة جديدة لمساعدة الأطباء على البقاء متقدمين بخطوة على حالة تتحرك بسرعة أكبر من أن يمكن تجاهلها.