Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

يخضع ملايين البالغين من كبار السن كل عام لعمليات جراحية كبرى لاستبدال مفاصل الورك أو الركبة المتآكلة، وهو إجراء يستعيد القدرة على الحركة ويخفف الألم. ومع ذلك، تنطوي عملية التعافي على خطر خفي: وهو تكون جلطات دموية في الأوردة العميقة في الساقين، وهي حالة تُعرف باسم تجلط الأوردة العميقة. بالنسبة للمرضى المسنين، تعتبر هذه المضاعفات خطيرة بشكل خاص؛ إذ يمكن أن تؤدي إلى إطالة مدة الإقامة في المستشفى، وزيادة التكاليف الطبية، وفي الحالات الشديدة، قد تؤدي إلى أحداث تهدد الحياة إذا انتقلت الجلطة إلى الرئتين. لطالما اعتمد الأطباء على قوائم مراجعة قياسية لتقدير من هم الأكثر عرضة للخطر، لكن هذه الأدوات غالبًا ما تعامل جميع مرضى استبدال المفاصل بالطريقة نفسها، حيث تصنفهم جميعًا كمرضى معرضين لخطر مرتفع دون تمييز من هم في خطر حقيقي. هذا النقص في الدقة يجعل من الصعب توفير المستوى المناسب من الحماية لكل فرد.

ولحل هذه المشكلة، لجأ الباحثون إلى فرع من علوم الحاسوب يسمى تعلم الآلة. فبدلاً من اتباع مجموعة ثابتة من القواعد، تتعلم هذه البرامج الحاسوبية من كميات هائلة من بيانات المرضى السابقة للعثور على أنماط معقدة قد يغفل عنها المراقب البشري. والهدف هو بناء أداة رقمية يمكنها النظر في التاريخ الطبي للمريض، ونتائج فحوصات الدم، وتفاصيل جراحته للتنبؤ بدقة عالية بما إذا كان سيصاب بجلطة دموية خلال الأسبوع الأول بعد العملية. ومن خلال تحديد العوامل المحددة التي تكتسب أهمية بالغة، يمكن لمثل هذه الأداة مساعدة الأطباء في تفصيل استراتيجيات الوقاية، مما يضمن حصول أولئك الذين يحتاجون إلى رعاية إضافية عليها، مع تجنب العلاج غير الضروري لأولئك الذين لا يحتاجون إليه.

قام فريق من الباحثين من جامعة العلوم والتكنولوجيا في الصين بتطوير واختبار مثل هذه الأداة. فقد جمعوا معلومات عن 3,050 مريضًا مسنًا، جميعهم تبلغ أعمارهم 60 عامًا أو أكثر، ممن خضعوا لعملية استبدال مفصل كامل في مستشفى واحد في عام 2024. جمع الفريق مجموعة واسعة من نقاط البيانات لكل شخص، بما في ذلك العمر، والجنس، ومؤشر كتلة الجسم، والتاريخ الطبي لحالات مثل السكري أو السرطان. كما استخرجوا أرقامًا محددة من فحوصات الدم قبل الجراحة، مثل مستويات الالتهاب وعوامل تجلط الدم، وسجلوا تفاصيل من غرفة العمليات، بما في ذلك مدة الجراحة، وما إذا كان قد تم استخدام الأسمنت العظمي، وما إذا كان قد تم استخدام عاصبة لإيقاف تدفق الدم أثناء الإجراء. وكان الناتج الذي يحاولون التنبؤ به بسيطًا ولكنه بالغ الأهمية: هل أصيب المريض بجلطة دموية في ساقه خلال سبعة أيام من الجراحة، كما أكده فحص الموجات فوق الصوتية؟

لتدريب نماذجهم الحاسوبية، تعين على الباحثين معالجة مشكلة شائعة في البيانات الطبية: معظم المرضى لا يصابون بالجلطات، بينما عدد أقل منهم يصاب بها. هذا الاختلال يمكن أن يربك خوارزمية التعلم. ولإصلاح ذلك، استخدموا تقنية تنشئ أمثلة اصطناعية للمجموعة الأقل شيوعًا، مما يؤدي فعليًا إلى موازنة مجموعة البيانات حتى يتمكن الحاسوب من التعلم من كلا الجانبين بالتساوي. ثم قاموا بتقسيم البيانات، باستخدام الجزء الأكبر منها لتعليم أربعة أنواع مختلفة من خوارزميات تعلم الآلة كيفية إجراء التنبؤات، مع الاحتفاظ بالجزء المتبقي لاختبار مدى نجاح تلك التنبؤات على مرضى جدد لم يسبق رؤيتهم. وشملت الخوارزميات الأربع التي اختبروها طريقة إحصائية تقليدية تُعرف باسم الانحدار اللوجستي، وشجرة قرار تطرح سلسلة من الأسئلة بنعم أو لا، وغابة عشوائية تجمع العديد من أشجار القرار، وطريقة قوية تسمى XGBoost، والتي تبني نموذجًا عالي الدقة من خلال التعلم من أخطائها الخاصة.

وعندما قارن الفريق النتائج، برز نموذج واحد بوضوح. فقد أثبتت خوارزمية XGBoost أنها الأكثر فعالية، حيث حددت بدقة الغالبية العظمى من المرضى الذين سيصابون بالجلطة والذين لن يصابوا بها. وقد حققت مستوى من الدقة فاق الطرق الأخرى بمراحل، بما في ذلك النهج الإحصائي التقليدي الذي عانى في استيعاب العلاقات المعقدة بين عوامل الخطر المختلفة. كما قدم نموذج الغابة العشوائية أداءً جيدًا ولكنه لم يكن بنفس الدقة، بينما تراجعت شجرة القرار والنموذج الإحصائي التقليدي بشكل كبير. ويشير الأداء المتفوق لنموذج XGBoost إلى أن خطر الإصابة بالجلطة لا ينبع من عامل واحد، بل من شبكة معقدة من التفاعلات التي لا يمكن إلا لبرنامج حاسوبي متطور فك رموزها.

ولفهم سبب عمل هذا النموذج بشكل جيد، استخدم الباحثون طريقة لتقشير طبقات الخوارزمية ومعرفة أي المعلومات المحددة كانت تقود التنبؤات. ووجدوا أن العوامل الأكثر تأثيرًا لم تكن طول مدة الجراحة أو استخدام الأسمنت العظمي، كما قد يتوقع البعض، بل كانت فحوصات الدم قبل الجراحة. وتحديدًا، كان الوقت الذي استغرقه تجلط الدم، ومستوى بروتين يُسمى "البروتين التفاعلي C" (C-reactive protein) الذي يشير إلى الالتهاب، وكمية مادة تُسمى "دي-دايمر" (D-dimer)، هي أقوى المتنبئات. كما لعب جنس المريض دورًا مهمًا، حيث أظهرت النساء خطرًا أعلى من الرجال في هذه المجموعة. وتتماشى هذه النتائج مع ما هو معروف حول كيفية تفاعل الالتهاب وتجلط الدم في الجسم، مما يشير إلى أن الحالة الداخلية للمريض قبل الجراحة هي مؤشر أكثر موثوقية لخطر الإصابة المبكر من تفاصيل العملية نفسها.

تخلص الدراسة إلى أن نهج تعلم الآلة هذا يوفر طريقة واعدة لتحسين رعاية المرضى. فمن خلال استخدام نموذج يمكنه بدقة فرز البيانات الطبية المعقدة، قد يتمكن الأطباء قريبًا من تحديد المرضى المسنين المعرضين لخطر الإصابة بالجلطات الدموية بدقة أكبر بكثير مما تسمح به الطرق الحالية. وهذا من شأنه أن يسمح باستراتيجيات وقائية أكثر استهدافًا، مع تركيز الموارد على أولئك الذين يحتاجون إليها بشدة. وبينما يشير الباحثون إلى أن عملهم يستند إلى بيانات من مستشفى واحد ويتطلب مزيدًا من الاختبار في مجموعات أكبر لتأكيد موثوقيته، فإن النتائج توفر أساسًا قويًا لعصر جديد من التقييم الشخصي للمخاطر في جراحة العظام. إن الطريق نحو المستقبل يتضمن التحقق من هذه النتائج عبر مراكز طبية مختلفة لضمان عمل الأداة للجميع، ولكن إمكانية منع مضاعفة خطيرة من خلال تحسين التنبؤ باتت الآن في المتناول.