Spatial Transferability of Explainable Machine Learning for Predicting Pre-Treatment Tuberculosis Loss to Follow-up Across West Java Districts

في كل عام، يُشخَّص الملايين من الناس حول العالم بالإصابة بمرض السل، وهو عدوى بكتيرية خطيرة تهاجم الرئتين. يمتلك النظام الطبي مساراً واضحاً للمضي قدماً: بمجرد تشخيص الشخص، يجب عليه البدء في تناول الدواء فوراً. ومع ذلك، توجد فجوة خطيرة في هذه العملية؛ فالكثير من المرضى، بعد تلقي تشخيصهم، لا يبدأون علاجهم أبداً. إنهم يغادرون العيادة، أو يفقدون الاتصال بالعاملين الصحيين، أو يقررون عدم البدء في النظام العلاجي. ويُعرف هذا بـ "الفقد من المتابعة". هؤلاء الأفراد يظلون معديين، مما ينشر المرض إلى عائلاتهم ومجتمعاتهم، بينما تتدهور حالتهم الصحية بسرعة. وغالباً ما تعاني البرامج الصحية لإيجاد التمويل والموظفين لدعم كل مريض، لذا فهم بحاجة إلى وسيلة لتحديد من هم الأكثر عرضة للتوقف عن المتابعة قبل أن يخرجوا من الباب حتى. إذا استطاع الأطباء رصد هؤلاء المرضى المعرضين للخطر مبكراً، فيمكنهم تركيز مواردهم المحدودة على الأشخاص الذين يحتاجون إليها أكثر، بدلاً من محاولة مساعدة الجميع بالتساوي.

في مقاطعة غرب جاوة الإندونيسية، سعى الباحثون لحل هذه المشكلة باستخدام الكميات الهائلة من البيانات التي يجمعها النظام الصحي الوطني بالفعل. لقد طرحوا سؤالاً بسيطاً ولكنه صعب: هل يمكن لبرنامج حاسوبي، تم تدريبه على سجلات المرضى من المقاطعة بأكملها، أن يتنبأ بدقة بالأفراد المحدد في بلدة معينة الذين سيفشلون في بدء العلاج؟ أرادوا معرفة ما إذا كان نموذج واحد ضخم يمكن أن يعمل في كل مكان، أم أن الظروف الفريدة لكل منطقة ستؤدي إلى تعطل التنبؤ. وللإجابة على ذلك، لجأوا إلى مجال في علوم الحاسوب يسمى "تعلم الآلة"، والذي يسمح للحواسيب بإيجاد الأنماط في البيانات دون أن يتم برمجتها صراحةً بقواعد محددة. وقد ركزوا على النماذج "القابلة للتفسير"، وهي تشبه الصناديق الشفافة حيث يمكنك رؤية السبب وراء اتخاذ الحاسوب لقرار ما بالضبط، بدلاً من "الصناديق السوداء" التي تعطيك إجابة دون إظهار طريقة عملها. وتعد هذه الشفافية أمراً بالغ الأهمية للأطباء، الذين يحتاجون إلى فهم المنطق وراء تنبؤ المخاطر قبل اتخاذ إجراء بناءً عليه.

جمع الفريق معلومات عن أكثر من 174,000 شخص تم تشخيص إصابتهم بالسل عبر سبع وعشرين منطقة ومدينة مختلفة في غرب جاوة في عام 2024. ونظروا في التفاصيل المتاحة وقت التشخيص، مثل عمر المريض، وما إذا كان يعاني من مرض السكري، وأين يعيش، ونوع العيادة التي زارها. والأهم من ذلك، لاحظوا ما إذا كان وضع فيروس نقص المناعة البشرية (HIV) الخاص بالمريض قد سُجل في النظام. تبين أن حوالي تسعة بالمائة من هؤلاء المرضى قد فُقدوا بالفعل قبل بدء العلاج. بنى الباحثون خمسة نماذج حاسوبية مختلفة لمعرفة أي منها يمكنه التمييز بشكل أفضل بين المرضى الذين سيبدأون العلاج وأولئك الذين لن يبدؤوه. واختبروا كل شيء، من الأساليب الإحصائية البسيطة إلى الأنظمة الأكثر تعقيداً القائمة على الأشجار، والتي تتخذ القرارات من خلال طرح سلسلة من الأسئلة التي تُجاب بنعم أو لا.

أظهرت النتائج أن النماذج الحاسوبية كانت جيدة جداً في مهمتها. فقد استطاع النموذج الأفضل التمييز بين المرضى الذين سيبقون وأولئك الذين سيرحلون بدرجة عالية من الدقة. وما كان مفاجئاً على الأرجح هو أن جميع أنواع النماذج الخمسة المختلفة قدمت أداءً متقارباً تقريباً. لم يتفوق النموذج الأكثر تعقيداً على النماذج الأبسط بفارق كبير، وهذا يشير إلى أن جودة البيانات نفسها، وليس براعة الخوارزمية الحاسوبية، كانت العامل الرئيسي الذي حدد مدى جودة التنبؤات. احتوت البيانات على إشارات قوية، لا سيما فيما يتعلق بما إذا كان قد تم تسجيل حالة فيروس نقص المناعة البشرية الخاصة بالمريض. فكان المرضى الذين تفتقر ملفاتهم إلى سجل فيروس نقص المناعة البشرية أكثر عرضة للفقد من المتابعة مقارنة بأولئك الذين سُجلت حالتهم بوضوح كإيجابية أو سلبية. وقد أشار هذا إلى قضية أعمق: إن عملية تسجيل اختبار فيروس نقص المناعة البشرية لم تكن مجرد مهمة إدخال بيانات، بل كانت علامة على مدى اكتمال ودقة العملية الطبية الكاملة لذلك المريض.

ومع ذلك، عندما اختبر الباحثون ما إذا كان هذا النموذج الواحد الذي يشمل المقاطعة بأكملها يعمل بنفس الكفاءة في كل بلدة، تغيرت الصورة. فالنموذج الذي حقق أداءً جيداً في المتوسط عبر المنطقة بأكملها فشل في أن يكون موثوقاً في مناطق محددة. ففي بعض المناطق، قلل النموذج باستمرار من تقدير المخاطر، متنبئاً بأن المرضى سيبدأون العلاج في حين أنهم لم يفعلوا. وفي مناطق أخرى، بالغ في تقدير المخاطر. واكتشف الباحثون سببين رئيسيين لهذا الفشل. أولاً، في بعض المناطق، كانت طريقة تسجيل البيانات مختلفة عن بقية المقاطعة؛ فعلى سبيل المثال، في إحدى المناطق، كانت نسبة المرضى الذين لديهم سجلات ناقصة لفيروس نقص المناعة البشرية أعلى بكثير من متوسط المقاطعة. ولأن النموذج اعتمد بشدة على هذه المعلومة، فقد واجه صعوبة في تقديم تنبؤات دقيقة حيث كانت البيانات غير مكتملة.

أما السبب الثاني فكان أكثر غموضاً. ففي مناطق معينة، وحتى عندما بدت البيانات طبيعية، توقع النموذج أن المرضى سيبدأون العلاج، ليجد لاحقاً أن الكثير منهم لم يفعلوا ذلك. وهذا يشير إلى وجود عوامل محلية تؤثر على قرارات المرضى لا يستطيع الحاسوب رؤيتها. قد تشمل هذه العوامل جودة الخدمات الصحية المحلية، أو المسافة إلى العيادة، أو الحواجز الثقافية الخاصة بتلك البلدة. ووجد الباحثون أن حالات الفشل المحلي هذه لم تنتشر إلى البلدات المجاورة بنمط يمكن التنبؤ به؛ فالتدني في دقة التنبؤ في بلدة ما لم يكن بالضرورة مرتبطاً بوجود بلدة أخرى ذات تنبؤ سيء بجانبها. وهذا يعني أن نموذجاً واحداً "مقاساً واحداً يناسب الجميع" لا يمكن الوثوق به للعمل في كل مكان دون تعديل.

خلصت الدراسة إلى أنه بينما يعد تعلم الآلة أداة قوية لتحديد المرضى المعرضين للخطر، لا يمكن تطبيقه ببساطة وبشكل أعمى عبر المناطق المختلفة. وجد الباحثون أن عدد المرضى في منطقة ما لم يكن هو ما يحدد مدى نجاح النموذج؛ فحتى المناطق التي تضم عدداً قليلاً جداً من المرضى يمكن التنبؤ بها جيداً إذا كانت البيانات المحلية متسقة، بينما يمكن للمناطق الكبيرة أن تفشل إذا كانت الظروف المحلية فريدة. كما وجدوا أيضاً أن محاولة تبسيط قائمة العوامل التي ينظر إليها الحاسوب لم تؤدِ إلى تحسين النتائج. والدرس الأهم هو أن النموذج يحتاج إلى إعادة معايرة لكل موقع محدد. ومن خلال ضبط تنبؤات النموذج لتتطابق مع الواقع المحلي، يمكن للعاملين الصحيين استخدام رؤى الحاسوب لإنشاء قائمة مستهدفة من المرضى الذين يحتاجون حقاً إلى دعم إضافي.

ولجعل هذا الأمر عملياً للعيادات المزدحمة، ترجم الباحثون نموذجهم الحاسوبي المعقد إلى نظام تسجيل بسيط. حيث يمكن للأطباء حساب درجة الخطورة للمريض في ثوانٍ معدودة باستخدام بضع حقائق فقط: ما إذا كان قد تم تسجيل حالة فيروس نقص المناعة البشرية الخاصة به، وكيف تم تشخيصه، وعمره، وتاريخ علاجه. فالمريض الذي يفتقر إلى سجل لفيروس نقص المناعة البشرية، على سبيل المثال، سيحصل فوراً على درجة خطورة عالية، مما يشير إلى حاجته إلى اهتمام فوري. يتيح هذا النهج للبرامج الصحية الابتعاد عن معاملة كل مريض بنفس الطريقة، وبدلاً من ذلك التركيز بمواردهم المحدودة على الأفراد الأكثر عرضة للسقوط من حسابات المتابعة. لقد أثبتت الدراسة أنه مع البيانات الصحيحة والتعديلات المحلية الدقيقة، يمكن للتكنولوجيا أن تساعد في سد الفجوة بين التشخيص والعلاج، مما ينقذ الأرواح في الأيام الحرجة الأولى بعد تشخيص مرض السل.