Early Prediction of Hemotoxic Snakebite Based on Stratified Machine Learning: A Multicenter Retrospective Study

في المناظر الطبيعية الدافئة والرطبة في المناطق الاستوائية وشبه الاستوائية، يتربص خطر صامت وغالباً ما يكون مفاجئاً في العشب وعلى طول مسارات الغابات: الأفعى السامة. بالنسبة لملايين الأشخاص الذين يعيشون في هذه المناطق، لا تعد اللدغة مجرد إصابة مؤلمة، بل هي سباق مع الزمن. فالسم الذي تحقنه هذه الأفاعي يعمل مثل كوكتيل كيميائي معقد، قادر على تدمير الأعصاب، أو تعفن اللحم، أو في حالة السم المسبب لنزيف الدم (hemotoxic)، تفكيك قدرة الجسم على وقف النزيف. والفرق بين الحياة والموت غالباً ما يتوقف على عامل حاسم واحد: السرعة. يجب على الأطباء تحديد نوع السم بسرعة لإعطاء الترياق الصحيح، المعروف بمضاد السم. ومع ذلك، في اللحظات الفوضوية التي تلي اللدغة، يكون تحديد نوع الأفعى أمراً مستحيلاً تقريباً، كما أن العلامات الدالة على التسمم الشديد قد تستغرق ساعات لتظهر. هذا التأخير يؤدي غالباً إلى لعبة تخمين خطيرة، حيث قد ينتظر المرضى وقتاً طويلاً جداً قبل الحصول على العلاج المناسب أو يتلقون العلاج الخاطئ، مما يزيد من خطر الإصابة بعجز دائم أو الوفاة.

لقد لجأ فريق من الباحثين في مقاطعة يوننان بالصين، وهي منطقة تعج بأنواع متنوعة من الأفاعي، إلى نوع جديد من الأدوات لحل هذه المشكلة: تعلم الآلة. وهذا فرع من فروع الذكاء الاصطناعي حيث تتعلم الحواسيب التعرف على الأنماط في كميات هائلة من البيانات، تماماً مثل طالب يدرس آلاف الأمثلة لإتقان موضوع ما. وبدلاً من الاعتماد فقط على حدس الطبيب أو انتظار ظهور أعراض واضحة، قام هؤلاء الباحثون بتدريب خوارزميات حاسوبية لرصد دلائل دقيقة مخفية في أعراض المريض الأولية وفحوصات الدم الأساسية. كان هدفهم هو بناء نظام يمكنه التنبؤ، فور وصول المريض إلى المستشفى مباشرة، بما إذا كان قد تعرض للدغة أفعى تسبب اضطرابات نزفية. ومن خلال إنشاء نماذج تعمل في كل من العيادات الصغيرة ذات المعدات المحدودة والمستشفيات الكبيرة ذات المختبرات الكاملة، هدفوا إلى منح الأطباء وسيلة موثوقة لاتخاذ القرار الصحيح منذ اللحظة الأولى من الرعاية.

بدأت الدراسة بجمع السجلات الطبية لـ 2,094 مريضاً من حالات لدغات الأفاعي من 34 مستشفى مختلفاً في جميع أنحاء يوننان. واجه الباحثون تحدياً شائعاً في الطب الواقعي: ليس لدى كل مستشفى نفس الأدوات. فقد وصل بعض المرضى بعد إجراء عدد قليل فقط من الاختبارات الأساسية، بينما كان آخرون لديهم لوحة كاملة من النتائج المختبرية. وللتعامل مع هذا، قسم الفريق عملهم إلى نهجين متميزين. اعتمد النهج الأول، المسمى "النموذج الأساسي"، على الإعدادات محدودة الموارد؛ حيث استخدم فقط المعلومات المتاحة في كل عيادة تقريباً: عمر المريض، ومكان اللدغة، وما يشعر به المريض (مثل الألم أو التورم)، وبعض اختبارات الدم البسيطة التي تقيس مدى جودة تجلط الدم. أما النهج الثاني، المسمى "النموذج الكامل"، فقد صُمم للمستشفيات جيدة التجهيز، حيث تضمن مجموعة أوسع بكثير من البيانات، بما في ذلك اختبارات مفصلة للكبد والكلى وكيمياء الدم، لمعرفة ما إذا كان توفر المزيد من المعلومات سيجعل التنبؤ أكثر دقة.

قام الباحثون بتغذية هذه البيانات في خمس طرق مختلفة لتعلم الحاسوب لمعرفة أي منها يمكنه التمييز بشكل أفضل بين اللدغات التي تسبب مشاكل نزفية وتلك التي لا تسببها. ووجدوا أن طريقة محددة، تُعرف بخوارزمية "الغابة العشوائية" (random forest)، تفوقت باستمرار على غيرها. في النموذج الأساسي، الذي اعتمد على بيانات محدودة، حدد هذا البرنامج الحاسوبي خطر التسمم الدموي بدقة تبلغ حوالي 84% من المرات. وعندما اختبر الباحثون النموذج باستخدام البيانات الأكثر اكتمالاً المتوفرة في المستشفيات الأفضل تجهيزاً، تحسنت دقته لتصل إلى ما يقرب من 89%. وهذا يشير إلى أنه بينما يمكن للتقييم البسيط أن يوفر دليلاً قوياً، فإن الوصول إلى مجموعة أوسع من نتائج المختبر يسمح للحاسوب بإجراء حكم أكثر دقة. كما كشét الدراسة أن الحاسوب تعلم الانتباه إلى تفاصيل محددة قد يغفل عنها البشر. فعلى سبيل المثال، تعلم أن اللدغات التي تحدث في المناطق العشبية أو الشجرية من المرجح أن تكون من أفاعٍ تسبب النزيف، بينما اللدغات القريبة من الطرق أو المنازل من المرجح أن تكون من أفاعٍ لا تسبب ذلك. كما تعلم وزن علامات دموية محددة، مثل المستويات العالية لبروتين يسمى "D-dimer" والمستويات المنخفضة من "fibrinogen"، كدلالات قوية على الخطر.

ولضمان أن هذه النتائج لم تكن مجرد تخمين محظوظ مع المجموعة الأولى من المرضى، اختبر الفريق نماذجهم على مجموعة جديدة ومنفصلة مكونة من 51 مريضاً تم علاجهم لاحقاً. كانت النتائج مشجعة، حيث أظهرت أن النماذج لا تزال قادرة على تحديد الخطر بدقة متوسطة في هذه المجموعة الجديدة، على الرغم من أنها لم ترَ هؤلاء المرضى من قبل. وأظهر التحليل أن تنبؤات الحاسوب لم تكن سليمة إحصائياً فحسب، بل كانت مفيدة سريرياً أيضاً. فمن خلال استخدام طريقة تسمى "تحليل منحنى القرار"، أثبت الباحثون أن الاعتماد على هذه النماذج يمكن أن يساعد الأطباء في تجنب علاج المرضى الذين لا يحتاجون إلى مضادات سم قوية، مع ضمان حصول أولئك الذين يحتاجونها بالفعل عليها على الفور. وهذا أمر مهم للغاية لأن مضادات السم قد تكون باهظة الثمن، ونادرة، وتسبب أحياناً ردود فعل تحسسية، لذا فإن استخدامها فقط عند الضرورة هو مسألة تتعلق بالسلامة وإدارة الموارد معاً.

كما سلطت الدراسة الضوء على واقع حاسم في علاج لدغات الأفاعي: وهو أن غياب الأعراض الواضحة لا يعني دائماً أن المريض في أمان. فقد أظهرت البيانات أن العديد من المرضى الذين طوروا في النهاية اضطرابات نزفية شديدة كانت لديهم اختبارات دم تبدو طبيعية عند وصولهم إلى المستشفى لأول مرة. استطاعت نماذج الحاسوب اكتشاف علامات الإنذار المبكرة الدقيقة التي قد يغفل عنها الأطباء البشريون في زحمة الطوارئ. ومن خلال الجمع بين الملاحظات البسيطة، مثل موقع اللدغة ووجود التورم، مع العمل المخبري الأساسي، يوفر النظام وسيلة للإمساك بهذه الحالات مبكراً. ويقترح الباحثون أن هذا النهج يمكن أن يشكل "نهج يوننان" لرعاية لدغات الأفاعي، حيث يتناسب مستوى الاختبار مع الموارد المتاحة في العيادة المحلية، ومع ذلك تظل جودة القرار الأولي عالية.

في نهاية المطي، يمثل هذا العمل تحولاً في كيفية تعامل الفرق الطبية مع أزمة لطالما كان من الصعب إدارتها. إنه لا يحل محل الطبيب، بل يعمل كمساعد قوي، يغربل الضجيج في حالات الطوارئ الفوضوية لتسليط الضوء على الإشارات الأكثر أهمية. تشير الدراسة إلى أنه من خلال استخدام تعلم الآلة لتفسير العلامات المبكرة للتسمم، يمكن للمستشفيات الانتقال من موقف رد الفعل، بانتظار ظهور الأعراض الشديدة، إلى موقف استباقي، عبر تحديد التهديد قبل أن يتكشف بالكامل. وبينما لا تزال النماذج تتطلب مزيداً من الاختبار في مناطق مختلفة وأنواع مختلفة من الأفاعي، فإن النتائج تقدم مساراً واعداً للمضي قدماً. فهي تظهر أنه مع امتلاك الأدوات المناسبة، حتى في أكثر البيئات تقييداً للموارد، من الممكن اتخاذ قرارات أسرع وأكثر دقة يمكن أن تنقذ الأرواح وتقلل من عبء لدغات الأفاعي على المجتمعات التي تواجه هذا الخطر يومياً.