A Machine Learning Model for Predicting In-Hospital Mortality among ICU Patients with Cirrhosis and Sepsis
طورت هذه الدراسة نموذج تعلم آلي يعتمد على خوارزمية (XGBoost) وتحققت من صحته باستخدام البيانات السريرية لليوم الأول في وحدة العناية المركزة للتنبؤ بوفيات المستشفى لدى المرضى المصابين بتليف الكبد وتسمم الدم، مما أظهر قدرة تمييزية فائقة مقارنة بمقاييس الشدة التقليدية وحدد عوامل التنبؤ الرئيسية مثل حالة زراعة الكبد ومستويات البيليروبين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
عندما يتضرر كبد الشخص بشدة بسبب تليف الكبد، تضعف قدرة الجسم على محاربة العدوى بشكل كبير. يعمل الكبد في الحالة الطبيعية كمرشح ومصنع للبروتينات المناعية، ولكن عندما يفشل، يمكن للبكتيريا التي تظل عادةً في الأمعاء أن تتسلل إلى مجرى الدم، مما يؤدي إلى حالة طوارئ شاملة في الجسم تُعرف باسم "إنتان" (Sepsis). هذا المزيج من فشل الكبد والعدوى المستعرة يمثل فخاً مميتاً للمرضى في وحدات العناية المركزة. لطالما اعتمد الأطباء على أنظمة تسجيل قياسية لتخمين مدى خطورة حالة المريض وفرص نجاته. تأخذ هذه الأنظمة لقطة لعلامات المريض الحيوية ونتائج فحصه المخبرية، وتجمعها معاً مثل قائمة مرجعية بسيطة لتعيين درجة مخاطر. ومع ذلك، غالباً ما تعاني هذه الأدوات التقليدية من التعقيد الفريد لأمراض الكبد، حيث يمكن للمشاكل المزمنة أن تحجب الأزمات الحادة، مما يجعل من الصعب رصد المرضى الذين أوشكوا على التدهور.
لقد وضع فريق من الباحثين هدفاً لبناء طريقة أكثر ذكاءً للتنبؤ بمن سيعيش ومن لن يعيش. لقد لجأوا إلى "تعلم الآلة"، وهو نوع من علوم الحاسوب حيث تتعلم الخوارزميات الأنماط من كميات هائلة من البيانات بدلاً من اتباع قواعد صارمة ومكتوبة مسبقاً. كان الهدف هو إنشاء نموذج يمكنه النظر في أول أربع وعشرين ساعة من وقت المريض في وحدة العناية المركزة وتقدير فرصة وفاته قبل مغادرة المستشفى بدقة. ومن خلال تغذية الكمبيوتر ببيانات سريرية روتينية — مثل نتائج فحوصات الدم، ومعدل ضربات القلب، وكمية البول، وما إذا كان المريض يعاني من عدوى في مجرى الدم — أمّل الباحثون في الكشف عن روابط دقيقة قد تفوت على الأطباء البشر أو قوائم التحقق البسيطة.
بدأت الدراسة بجمع بيانات من مصدرين مختلفين تماماً. الأول كان قاعدة بيانات ضخمة ومتاحة للعموم تحتوي على سجلات لآلاف المرضى في وحدات العناية المركزة في الولايات المتحدة. والثاني كان مجموعة أصغر ومستقلة من المرضى من مستشفى في مدينة ووهان بالصين. سمح هذا النهج المكون من جزأين للفريق بتدريب نموذج الكمبيوتر الخاص بهم على مجموعة كبيرة، ثم اختباره على مجموعة منفصلة تماماً لمعرفة ما إذا كان سيعمل في بيئة مختلفة. وقد ركزوا تحديداً على البالغين الذين يعانون من كل من تليف الكبد والإنتان، مع استبعاد أولئك الذين بقوا في وحدة العناية المركزة لأقل من يوم واحد، حيث صُمم النموذج لتقديم تنبؤات بناءً على اليوم الكامل الأول من الرعاية.
قام الباحثون بتدريب سبع خوارزميات حاسوبية مختلفة، تراوحت من الأساليب الإحصائية البسيطة إلى أنظمة التعلم القائمة على الأشجار المعقدة. وطلبوا من كل خوارزمية أن تتعلم من بيانات التدريب ثم اختبروها لمعرفة أي منها يمكنه التمييز بشكل أفضل بين المرضى الذين نجوا وأولئك الذين لم ينجوا. أظهرت النتائج أن خوارزمية محددة، تُعرف باسم "XGBoost"، تفوقت على جميع الخوارقات الأخرى. لم يكن هذا النموذج مجرد تخمين؛ بل تعلم كيفية وزن أهمية العوامل المختلفة بطريقة معقدة وغير خطية. فعلى سبيل المثال، بينما قد يعامل المقياس القياسي مستوى عالٍ من "البيليروبين" (صبغة صفراء في الدم تشير إلى مشاكل الكبد) كمجرد نقطة واحدة في مقي-اس، فهم نموذج تعلم الآلة كيف يتفاعل هذا المستوى مع عوامل أخرى مثل وقت تجلط الدم ووجود العدوى لخلق ملف تعريف خطر محدد.
عند اختباره على المجموعة الداخلية من المرضى، حدد نموذج "XGBoost" النتيجة بدقة عالية. والأهم من ذلك، عندما طبق الباحثون نفس النموذج على مجموعة المرضى المستقلة من المستشفى الصيني، ظل النموذج يعمل بشكل جيد، مما أثبت أن الأنماط التي تعلمها لم تكن مجرد مصادفة في مجموعة البيانات الأولى. كانت قدرة النموذج على الفصل بين الناجين وغير الناجين أفضل بكثير من أنظمة التسجيل التقليدية المستخدمة حالياً في المستشفيات. فقد فشلت الدرجات القياسية، الموثوق بها على نطاق واسع، في استيعاب الصورة الكاملة للمخاطر لدى هؤلاء المرضى المعقدين، وغالباً ما فاتتها علامات التحذير الدقيقة التي رصدها نموذج تعلم الآلة.
لفهم سبب اتخاذ الكمبيوتر للقرارات التي اتخذها، استخدم الباحثون أداة تعمل مثل "كشاف الضوء"، تسلط الضوء على المتغيرات الأكثر أهمية لكل تنبؤ. ووجدوا أن العوامل الأكثر حرجاً شملت ما إذا كان المريض مرشحاً لزراعة الكبد، ومستوى البيليروبين في دمهم، والمدة التي يستغرقها دمهم ليتجلط، وما إذا كان لديهم عدوى في مجرى الدم، وكمية البول التي ينتجونها. وتتوافق هذه النتائج مع الحدس الطبي ولكنها توفر تأكيداً دقيقاً مدفوعاً بالبيانات لأهميتها. فعلى سبيل المثال، تعلم النموذج أن المريض الذي يعاني من عدوى في مجرى الدم مع ضعف في إنتاج البول يواجه خطراً أكبر بكثير من شخص يعاني من مشكلة واحدة فقط منهما، وهو فارق دقيق غالباً ما تفتقده درجات الجمع البسيطة.
كما كشفت الدراسة أن السبب المحدد لمرض الكبد كان مهماً. فالمرضى الذين كان تليف الكبد لديهم ناتجاً عن التهاب الكبد الفيروسي المزمن كانت لديهم معدلات بقاء مختلفة عن أولئك الذين نتج تلف الكبد لديهم عن الكحول. وقد فسر هذا التباين في مجموعات المرضى بين المستشيلين الاختلافات في أداء النموذج، ومع ذلك ظل النموذج قوياً بما يكفي ليكون مفيداً عبر كلتا المجموعتين. وأشار الباحثون إلى أنه بينما كان النموذج عالي التحديد — بمعنى أنه كان جيداً جداً في تحديد المرضى الذين سينجون — فقد كان أقل حساسية في رصد كل مريض سيموت في النهاية. وهذا يشير إلى أنه بينما يعد النموذج ممتازاً لاستبعاد المرضى منخفضي المخاطر، فإنه قد لا يزال يخطئ في رصد بعض المرضى المعرضين للخطر الذين يتدهورون بسرعة بعد اليوم الأول.
في نهاية المطاف، يوضح هذا البحث أن تعلم الآلة يمكن أن يوفر طريقة أكثر دقة وتفصيلاً لتقييم المخاطر لبعض أكثر المرضى ضعفاً في المستشفى. ومن خلال تحليل اليوم الأول من الرعاية، يقدم النموذج صورة أوضح للمستقبل مما تفعله الطرق المعيارية الحالية. إنه لا يحل محل حكم الطبيب، بل يقدم رأياً ثانياً قوياً، قائماً على أنماط آلاف الحالات السابقة. وتخلص الدراسة إلى أن مثل هذه الأدوات يمكن أن تساعد الفرق الطبية في تحديد المرضى المعرضين للخطر في وقت مبكر، مما يسمح بتدخلات أكثر توقيتاً واستهدافاً. ورغم أن النموذج ليس كرة بلورية مثالية، إلا أنه يمثل خطوة كبيرة للأمام في استخدام البيانات للتنقل في حالة عدم اليقين في الرعاية الحرجة، وتحويل الأرقام الخام إلى رؤى قابلة للتطبيق يمكن أن تنقذ الأرواح.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.