Uncertainty-Aware Multi-Outcome Screening for Undiagnosed Cardiometabolic Disease in the United States Population Using NHANES

يعيش ملايين البالغين في الولايات المتحدة مع حالات صحية خطيرة لا يعلمون بوجودها. فأمراض مثل السكري، وارتفاع ضغط الدم، وارتفاع الكوليسترول، غالبًا ما تتطور بصمت، وتغير كيمياء الجسم قبل وقت طويل من شعور الشخص بالمرض أو ملاحظة أي أعراض. وبحلول الوقت الذي تُكتشف فيه هذه المشكلات، قد تكون قد تسببت بالفعل في أضرار للقلب أو الكلى أو الأوعية الدموية. لقد أدرك مسؤولو الصحة العامة منذ فترة طويلة أن اكتشاف هذه الحالات الخفية مبكرًا أمر بالغ الأهمية، لكن فحص السكان بأكملم يمثل تحديًا لوجستيًا هائلًا؛ إذ لا يستطيع الأطباء اختبار الجميع لكل مرض في كل زيارة، كما أن الاستبيانات البسيطة غالبًا ما تخطئ الهدف. ويكمن جوهر الصعوبة في الموازنة بين الدقة والثقة: فقد يتنبأ برنامج حاسوبي بمن هم عرضة للخطر، ولكن إذا كان البرنامج غير متأكد من إجابته، فلا يمكن للطبيب التصرف دون المخاطرة بإثارة ذعر غير ضروري أو تفويت التشخيصات.

لقد وضع فريق من الباحثين نصب أعينهم حل هذه المشكلة من خلال بناء نوع جديد من أنظمة الفحص الذي لا يكتفي بمجرد التخمين حول من هو مريض، بل يعرف أيضًا متى يكون في حالة تخمين. وباستخدام بيانات من مسح وطني ضخم للصحة، قاموا بتدريب نماذج حاسوبية للبحث عن علامات لخمس حالات مختلفة غير مشخصة. وما جعل نهجهم فريدًا هو أنهم أضافوا طبقة من "عدم اليقين" إلى التنبؤات. فبدلاً من فرض إجابة بنعم أو لا لكل شخص، صُمم النظام ليعترف عندما لا يكون واثقًا بما يكفي لاتخاذ قرار. وقد سمح هذا للباحثين بالفصل بين الأشخاص الذين يمكن استبعادهم بأمان وأولئك الذين يحتاجون إلى مزيد من الاختبارات، مما خلق شبكة أمان تفتقر إليها النماذج الحاسوبية القياسية.

لجأ الباحثون إلى "المسح الوطني للفحص الصحي والتغذية"، وهو دراسة مستمرة تستقصي وتفحص آلاف الأمريكيين لتتبع صحة الأمة. وركزوا على البيانات التي جُمعت بين عامي 2011 و2014، حيث جمعوا مجموعة تضم أكثر من 20,000 بالغ. وكان هدفهم هو العثหา الأشخاص الذين يستوفون المعايير الطبية لمرض ما ولكن لم يخبرهم طبيب قط بامتلاكهم له. وقد حددوا خمسة أهداف محددة: السكري غير المشخص، وارتفاع ضغط الدم غير المشخص، وارتفاع الكوليسترول غير المشخص، وخطر الإصابة بأمراض الكلى، وفئة مشتركة لأي شخص يعاني من مشكلة واحدة على الأقل من هذه المشكلات الخفية. ولضمان أن نماذجهم الحاسوبية تقوم حقًا بفحص المرض وليس مجرد استخدام نتائج الاختبار كدليل للتنبؤ به، منعوا النماذج بصرامة من استخدام فحص الدم المحدد الذي يُعرف المرض كدليل للتنبؤ به. فعلى سبيل المثال، للتنبؤ بالسكري غير المشخص، يمكن للنموذج رؤية عمر الشخص ووزنه، لكن لم يكن مسموحًا له برؤية مستوى السكر في الدم، وهو الشيء ذاته المستخدم لتشخيص المرض.

ولاختبار مدى فعالية هذه النماذج في العالم الحقيقي، قام الفريق بمحاكاة ثلاثة إعدادات مختلفة قد يستخدمها الطبيب. كان الإعداد الأول هو المسح المجتمعي، حيث تتوفر فقط المعلومات الأساسية مثل العمر والدخل والتاريخ الطبي. وأضاف الإعداد الثاني بيانات الفحص البدني الروتيني، مثل ضغط الدم ومحيط الخصر. أما الإعداد الثالث، الذي يمثل زيارة سريرية كاملة، فقد تضمن نتائج مخبرية شائعة مثل مستويات الكوليسترول. واختبروا ستة أنواع مختلفة من الخوارزميات الحاسوبية، تتراوح من الصيغ الإحصائية البسيطة إلى شبكات الذكاء الاصطناعي المعقدة التي تتعلم من خلال إيجاد الأنماط في البيانات. وأظهرت النتائج أنه كلما توفرت معلومات أكثر تفصيلًا، أصبحت النماذج أفضل بكثير في رصد الأمراض الخفية. وعندما امتلكت النماذج حق الوصول إلى النتائج المخبرية الكاملة، تمكنت خوارزميات الشجر الأكثر تقدمًا من تحديد جميع حالات ارتفاع الكوليسترول وضغط الدم غير المشخصة تقريبًا، حيث وصلت درجات (AUC) إلى 0.984 و0.977 على التوالي.

ومع ذلك، لم يكن الاكتشاف الأهم هو مدى دقة النماذج فحسب، بل كيف تعاملت مع ثقتها الخاصة. فقد استخدم الباحثون طريقة تسمى "التنبؤ التوافقي" (conformal prediction) لإلحاق مقياس لليقين بكل تنبؤ. ويضمن هذا النظام أنه عندما يقول النموذج إنه واثق، فإنه يكون محقًا بنسبة 90 بالمائة على الأقل. وعند تطبيق هذا على نتائجهم، ظهر فرق صارخ بين النماذج. فالنماذج الشجرية الأكثر تطورًا كانت قادرة على اتخاذ قرارات واثقة لمعظم الناس، ولم تصنف سوى نسبة ضئيلة جدًا منهم كحالات غير مؤكدة. وفي المقابل، كان نموذج أبسط يعتمد على الإحصاء القياسي غير متأكد للغاية من إجاباته، لدرجة أنه اضطر لتصنيف ما يقرب من 60 بالمائة من الأشخاص لإجراء المزيد من الاختبارات لمجرد الحفاظ على نفس المستوى من السلامة. وهذا يعني أنه بينما قد يبدو كلا النموذجين متساويين في الجودة على الورق عند قياس الدقة البحتة، فإن النموذج الأبسط سيغرق العيادة بالإحالات، بينما يمكن للنموذج الأذكى فرز المرضى بكفاءة.

كما كشفت الدراسة أن عبء المرض الخفي في الولايات المتحدة كبير للغاية. فعندما طبق الباحثون نتائجهم على السكان الوطنيين، قدروا أن حوالي واحد من كل أربعة بالغين أمريكيين يعاني من حالة واحدة على الأقل من هذه الحالات القلبية الأيضية دون علمهم. وكانت المشكلة الخفية الأكثر شيوعًا هي ارتفاع الكوليسترول، الذي يؤثر على حوالي 13.7 بالمائة من السكان، يليه ارتفاع ضغط الدم بنسبة 13.5 بالمائة. وكان السكري غير المشخص أقل شيوعًا ولكنه لا يزال مهمًا بنسبة 3.1 بالمائة. وتؤكد هذه الأرقام أن جزءًا كبيرًا من السكان يسيرون وهم يحملون عوامل خطر صامتة يمكن إدارتها إذا تم اكتشافها مبكرًا فقط.

استكشف الباحثون أيضًا كيف "تفكر" النماذج الحاسوبية في البيانات. فقد نظروا في التمثيلات الداخلية التي أنشأتها شبكاتهم العصبية ووجدوا أن هذه النماذج لا ترى المرض كمجموعة من الصناديق المنفصلة والمتميزة. بدلاً من ذلك، تعلمت النماذج أن الصحة القلبية الأيضية توجد على طيف مستمر. فقد يكون لدى الشخص القليل من ارتفاع ضغط الدم والقليل من ارتفاع الكوليسترول، وفهم النموذج أن هذا عبارة عن عبء خطر واحد ومتدفق بدلاً من كونه مجموعة من المشكلات غير المرتبطة. تشير هذه الرؤية إلى أن هذه الحالات مترابطة بعمق، وتتراكم بمرور الوقت بطريقة قد تغفلها قوائم التحقق البسيطة.

في الختام، تثبت الدراسة أن مستقبل الفحص الطبي لا يكمن فقط في بناء خوارزميات أذكى، بل في بناء أنظمة تعرف متى تتوقف وتطلب المساعدة. ومن خلال الجمع بين الدقة العالية وإشارة واضحة لعدم اليقين، يمكن لهذه الأدوات مساعدة الأطباء في تحديد من يحتاج إلى فحص سريع ومن يحتاج إلى فحص شامل. وتشير الأبحاث إلى أن النهج المتدرج هو الأفضل: البدء بأسئلة بسيطة في المجتمع للعثور على أولئك الذين يحتاجون إلى اهتمام وثيق، ثم الانتقة إلى الفحوصات البدنية والاختبارات المخبرية لأولئك الذين تم تحديدهم كفئات معرضة لخطر عالٍ. تضمن هذه الطريقة استخدام الموارد بكفاءة، مما يحمي الفئات الأكثر ضعفًا من الضياع مع تجنب الاختبارات غير الضرورية للأصحاء. إن هذا العمل يوفر مخططًا عمليًا لكيفية استخدام الذكاء الاصطنا_في الطب ليس كبديل للأطباء، بل كشريك موثوق يعرف حدوده.