Development and Cross-Database Evaluation of 6-Hour Landmark Prediction Models for a Subsequent Packed Red Blood Cell Transfusion Record in Adult Trauma ICU Patients

في بيئة وحدة العناية المركزة عالية المخاطر، غالباً ما يكون الوقت هو المورد الأكثر أهمية. فعندما يصل مريض يعاني من صدمة شديدة، تكون الأولوية الأولى للفريق الطبي هي وقف النزيف وتثبيت حالة الجسم. لكن العمل لا ينتهي بمجرد استقرار حالة المريض في المستشفى؛ ففي اليوم التالي، يجب على الأطباء أن يظلوا يقظين، يراقبون العلامات التي قد تشير إلى أن المريض قد يحتاج إلى المزيد من الدم. إن عمليات نقل الدم تنقذ الأرواح، ومع ذلك فهي لا تخلو من المخاطر، إذ إن تقديمها في وقت مبكر جداً أو متأخر جداً يمكن أن يؤدي إلى تعقيد عملية التعافي. ويكمن التحدي في التنبؤ بمن سيحتاج إلى ذلك الدم الإضافي قبل أن يصبح الاحتياج واضحاً. تقليدياً، يعتمد الأطباء على خبرتهم والبيانات المتاحة لحظة دخول المريض. ومع ذلك، فإن حالة المريض تتغير بسرعة خلال الساعات الأولى. ومن هنا برز سؤال جديد: هل يمكن لنموذج حاسوبي أن ينظر إلى المعلومات المتاحة بعد ست ساعات من دخول المريض إلى وحدة العناية المركزة ويتنبأ بدقة بما إذا كان سيحتاج إلى نقل دم في وقت لاحق من ذلك اليوم؟ لا يتعلق الأمر باستبدال حكم الطبيب، بل بتوفير إشارة في الوقت المناسب تدفع لإلقاء نظرة فاحصة على مريض قد يتسلل من بين الرقابة دون ملاحظة.

لقد شرع فريق من الباحثين في الإجابة على هذا السؤال من خلال بناء واختبار نوع جديد من أدوات التنبؤ. فقد ركزوا تحديداً على مرضى الصدمات البالغين الذين لم يتلقوا عملية نقل دم خلال الساعات الست الأولى من إقامتهم في المستشفى. وباستخدام قواعد بيانات ضخمة ومجهولة المصدر من مستشفيات عبر الولايات المتحدة، قاموا بتدريب خوارزميات حاسوبية للبحث عن أنماط في العلامات الحيوية للمرضى ونتائج الفحوصات المخبرية. وكان الهدف هو إنشاء نظام يمكنه تحديد المرضى الذين من المرجح أن يحتاجوا إلى خلايا دم حمراء مكدسة -وهي منتج الدم القياسي المستخدم لتعويض الحجم المفقود- خلال الثماني عشرة ساعة القادمة. لم يكتفِ الباحثون ببناء نموذج واحد، بل طوروا خمسة نهج رياضية مختلفة لمعرفة أي منها يعمل بشكل أفضل. ثم اختبروا هذه النماذج على مجموعة منفصلة تماماً من سجلات المرضى من مستشفيات مختلفة لضمان أن النتائج لم تكن مجرد مصادفة ناتجة عن مجموعة البيانات الأولى.

أظهرت الدراسة أن هذه النماذج الحاسوبية استطاعت بالفعل التمييز بين المرضى الذين سيحتاجون إلى مزيد من الدم وأولئك الذين لن يحتاجوا. وكان النموذج الأكثر نجاحاً، والذي استخدم طريقة متطورة تسمى "XGBoost الموزون" (weighted XGBoost) لتقدير أهمية العوامل المختلفة، قد قدم أداءً جيداً عبر كلتا مجموعتي البيانات. في مجموعة المرضى الأولية، حدد النموذج الخطر بشكل صحيح في حوالي 84 حالة من أصل 100 حالة أمكن فيها التمييز. وعند اختباره على المجموعة الثانية المستقلة من المرضى من 176 مستشفى مختلفاً، ظل الأداء قوياً، حيث حدد الخطر بشكل صحيح في حوالي 85 حالة من أصل 100. ويشير هذا الاتساق إلى أن الأداة قوية بما يكفي للعمل في بيئات مستشفيات مختلفة، وليس فقط في المستشفى الذي أُنشئت فيه.

ومع ذلك، اكتشف الباحثون تفصيلاً حاسماً حدد مدى جودة عمل الأداة: وهو توفر اختبار مخبري محدد. فقد اعتمدت دقة النموذج بشكل كبير على ما إذا كان قد تم إجراء اختبار الهيموجلوبين -وهو مقياس لقدرة الدم على حمل الأكسجين- في وقت مبكر من إقامة المريض. فعندما كان هذا الاختبار متاحاً، كانت قدرة النموذج على التنبؤ بالاحتياجات المستقبلية أعلى بكثير. وعندما كان الاختبار مفقوداً، انخفض أداء النموذج بشكل ملحوظ. يسلط هذا الاكتشاف الضوء على أن الأداة لا تقرأ بيولوجيا المريض فحسب، بل تقرأ أيضاً سير العمل في المستشفى. فإذا لم يكن الفريق الطبي قد طلب اختبار الدم الضروري بعد، فلن يتمكن الحاسوب من رؤية الصورة الكاملة. وهذا لا يعني أن الأداة تفشل، بل يعني أن فعاليتها مرتبطة بالمعلومات التي جمعها الأطباء بالفعل.

كما فحص الباحثون ما كان الحاسوب "ينظر إليه" فعلياً لاتخاذ قراراته. ووجدوا أن أهم الأدلة كانت أدنى مستوى للهيموجلوبين تم تسجيله، وأدنى ضغط دم، وأعلى معدل ضربات قلب خلال الساعات الست الأولى. هذه مؤشرات منطقية لجسم تحت الإجهاد، لكن الحاسوب أولى أيضاً اهتماماً لما إذا كانت بعض الاختبارات مفقودة. في عالم العناية المركزة، يمكن أن يكون حقيقة عدم طلب اختبار ما معبراً بقدر ما هو حال اختبار نفسه. فعلى سبيل المثال، إذا كان المريض مستقراً، فقد لا يطلب الأطباء سحبات دم متكررة، بينما المريض الذي تتدهور حالته قد يخضع للاختبار باستمرار. لقد تعلم النموذج التعرف على أنماط الرعاية هذه كجزء من قصة المريض.

وعلى الرغم من هذه النجاحات، يحرص المؤلفون على توضيح ما ليست عليه هذه الأداة. فهي ليست تشخيصاً لنزيف نشط، ولا هي أمر بنقل الدم. فالنموذج يتنبأ بسجل موثق لعملية نقل الدم، وهو حدث محدد في النظام الحاسوبي للمستشفى، وليس بالضرورة حاجة بيولوجية للدم. ويؤكد الباحثون أن الأداة مصممة لتعمل كمحفز للمراجعة البشرية. فإذا أشار النموذج إلى مريض ما، فهذا يعني ضرورة قيام الطبيب بإلقاء نظرة جديدة على حالة المريض، وفحص تحاليله، وتقرير ما إذا كان نقل الدم ضرورياً حقاً. وفي اختباراتهم، كان استخدام عتبة محددة لتفعيل هذه المراجعات سيؤدي إلى تنبيه حوالي 17 مريضاً من كل 100 مريض. وهذه المجموعة ستشمل حوالي 70% من المرضى الذين سيحتاجون بالفعل إلى الدم، مما يعني أن الأداة يمكنها رصد معظم المرضى المعرضين للخطر مع تجنب فيض من الإنذارات الكاذبة التي قد تثقل كاهل الطاقم الطبي.

كما بحثت الدراسة في كيفية تصرف النموذج إذا خرج المريض من المستشفى قبل انتهاء فترة المراقبة التي تبلغ أربع وعشرين ساعة. في الواقع، يغادر المرضى وحدة العناية المركزة في أوقات مختلفة، ويمكن أن يؤدي ذلك إلى تعقيد التنبؤات. ووجد الباحثون أنه حتى مع هذه الانقطاعات، حافظ النموذج على قدرته على ترتيب المرضى حسب درجة الخطورة. فأولئك الذين صنفهم النموذج كمرضى معرضين لخطر عالٍ كانوا بالفعل أكثر عرضة لتلقي الدم قبل مغادرتهم، مقارنة بمن صنفهم كمرضى معرضين لخطر منخفض. وهذا يشير إلى أن الأداة يمكنها التعامل مع الواقع الفوضوي لخروج المرضى من المستشفى دون أن تفقد قدرتها التنبؤية.

في نهاية المطاف، يمثل هذا العمل خطوة نحو دعم أكثر ذكاءً وفي الوقت المناسب لرعاية حالات الصدمات. لقد أثبت الباحثون أن نافذة زمنية مدتها ست ساعات من البيانات كافية لبناء تقييم مخاطر موثوق للاحتياجات المستقبلية من الدم. كما أظهروا أنه بينما يمكن للخوارزميات الحاسوبية المعقدة العثور على هذه الأنماط، فإن جودة التنبؤ ترتبط ارتباطاً وثيقاً بجودة المعلومات المتاحة في ذلك الوقت. إن الأداة لا تستبدل الطبيب؛ بل تقدم عيناً ثانية لا تكل، تمسح البيانات باستمرار لضمان عدم إغفال أي مريض محتاج. والخطوة التالية، كما يذكر المؤلفون، هي اختبار هذا النظام في تدفقات العمل الحقيقية داخل المستشفيات لمعرفة ما إذا كان سيحسن بالفعل من نتائج المرضى ويساعد الفرق الطبية في إدارة عبء العمل بفعالية أكبر. وحتى ذلك الحين، يظل هذا العمل بمثابة إثبات قوي للمفهوم: مساعد رقمي يمكنه رؤية علامات التحذير للحاجة إلى الدم قبل وقت طويل من أن يصبح الأمر أزمة لا يمكن إنكارها.