Missing Data Governance in Real-World Cardiovascular Risk Prediction: Effects on Machine Learning Performance and Interpretability
تُظهر هذه الدراسة أن التعامل الملائم مع البيانات المفقودة، سواء من خلال الاستكمال أو الاستراتيجيات الهجينة، يُعد أمراً بالغ الأهمية للحفاظ على موثوقية النموذج وقابليته للتفسير في التنبؤ بمخاطر القلب والأوعاء الدموية في العالم الحقيقي، في حين أن الحذف غير المدروس للسجلات غير المكتملة يؤدي إلى تدهور الأداء بشكل كبير ويتجاهل القيمة المعلوماتية لكون البيانات مفقودة بحد ذاتها.
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
لا تزال أمراض القلب السبب الرئيسي للوفاة في جميع أنحاء العالم، ويعتمد الأطباء على الكشف المبكر لإنقاذ الأرواح. وللقيام بذلك، يجمعون كمية هائلة من المعلومات حول كل مريض: عمره، وضغط الدم، ومستويات الكوليسترول، وما إذا كان لديه تاريخ من التدخين أو السكري. وفي السنوات الأخيرة، تم تدريب برامج حاسوبية تُعرف باسم "تعلم الآلة" للنظر في هذه المعلومات والتنبؤ بمن هم عرضة للخطر. هذه البرامج ممتازة في إيجاد الأنماط في البيانات النظيفة والمثالية. ومع ذلك، فإن الواقع نادراً ما يكون مثالياً. ففي المستشفيات الفعلية، غالباً ما تكون السجلات غير منظمة؛ فقد ينسى الطبيب تدوين قراءة ضغط الدم، أو قد تكون هناك نتيجة مخبرية مفقودة، أو ربما أجرى المريض اختباراً في عيادة أخرى لم يصل إلى الملف أبداً. ولفترة طويلة، ركز العلماء الذين يختبرون هذه البرامج الحاسوبية في الغالب على مجموعات بيانات قديمة ومنقحة لا تعكس هذا الواقع، حيث ركزوا على أي خوارزمية حاسوبية هي الأذكى، متجاهلين في كثير من الأحيان حقيقة أن البيانات نفسها كانت ناقصة. وهذا يثير سؤالاً جوهرياً: إذا تم تدريب برنامج حاسوبي على بيانات مثالية، فهل يمكنه حقاً العمل عندما يواجه سجلات فوضوية وغير مكتملة كما هو الحال في مستشفى حقيقي؟
قرر فريق من الباحثين في دنيزلي، تركيا، الإجابة على ذلك من خلال بناء دراسة تتمحور حول البيانات نفسها بدلاً من البرنامج الحاسوبي. فقد توجهوا مباشرة إلى قسم أمراض القلب في مستشفى خاص واستخرجوا كل سجل من سجلات المرضى الذين تمت زيارتهم بين عامي 2019 و2024. لم يقوموا بتنظيف البيانات أولاً، ولم يتخلصوا من السجلات التي تحتوي على أرقام مفقودة، بل أخذوا المعلومات الخام غير المفلترة تماماً كما هي في قاعدة بيانات المستشفى، بكل ما فيها من فجوات وتناقضات. ومن هذه السجلات، اختاروا تسعة عشر معلماً صحياً رئيسياً، مثل العمر، والجنس، والكوليسترول، وقياسات قلبية مختلفة، لمعرفة مدى قدرة البرامج الحاسوبية المختلفة على التنبؤ بأمراض القلب عندما تُجبر على التعامل مع المعلومات المفقودة. واختبروا أحد عشر نوعاً مختلفاً من خوارزميات التعلم، تتراوح من الأساليب الإحصائية البسيطة إلى الأنظمة الحديثة المعقدة التي تبني نماذج صغيرة عديدة لتعمل معاً. والأهم من ذلك، أنهم لم يكتفوا باختيار طريقة واحدة فقط لإصلاح الأرقام المفقودة، بل اختبروا أربع استراتيجيات مختلفة تماماً. إحدى الاستراتيجيات قامت بملء الفراغات بأرقام تقديرية، واستراتيجية أخرى تركت الفراغات فارغة لمعرفة ما إذا كان بإمكان الحاسوب التعامل معها بمفرده، بينما تعاملت استراتيجية ثالثة مع القيم المفقودة كفئة خاصة بها، وكأنها تخبر الحاسوب: "نحن لا نعرف هذا، ولكن حقيقة أننا لا نعرفه قد تكون مهمة"، أما الاستراتيجية الرابعة، وهي شائعة في العديد من الدراسات، فقد اكتفت ببساطة بحذف كل سجل يحتوي على ولو رقم واحد مفقود.
أظهرت النتالئج أن كيفية تعامل الباحثين مع البيانات المفقودة كانت أكثر أهمية من نوع البرنامج الحاسوبي الذي اختاروه. فعندما استخدموا استراتيجية حذف السجلات غير المكتملة، انخفض أداء كل نموذج حاسوبي بشكل ملحوظ؛ حيث تراجعت النماذج الأكثر دقة من تحديد حوالي 77 بالمائة من الحالات إلى 69 بالمائة فقط. حدثت هذه الخسارة لأن حذف السجلات أدى إلى إزالة الكثير من المعلومات القيمة وترك الحاسوب مع أمثلة قليلة جداً للتعلم منها. وفي المقابل، فإن الاستراتيجيات التي احتفظت بالسجلات غير المكتملة — سواء عن طريق ملء الفجوات أو معاملة "الغياب" كحقيقة معلومة — حافظت على قدرة النماذج على التنبؤ بأمراض القلب بدقة. وكانت البرامج الحاسوبية التي قدمت أفضل أداء هي تلك التي استطاعت التعامل مع البيانات الفوضوية دون التخلص منها. ومن بين أنواع الخوارزميات المختلفة التي تم اختبارها، أثبتت عائلة من الأنظمة تُعرف باسم "نماذج التعزيز التجميعية" (boosting ensembles) أنها الأكثر صموداً؛ فهذه الأنظمة، التي تجمع العديد من صناع القرار البسيطين لتشكيل تنبؤ قوي، حافظت على دقة عالية حتى عندما كانت البيانات غير مكتملة. بينما عانت الطرق الأبسط، مثل تلك القائمة على إيجاد "الجيران الأقرب" في مجموعة البيانات، بشكل أكبر عند مواجهة القيم المفقودة.
ولعل الاكتشاف الأكثر إثارة للدهشة جاء عندما نظر الباحثون عن كثب في كيفية اتخاذ البرامج الحاسوبية لقراراتها. فقد استخدموا أداة تحليل خاصة لمعرفة السمات التي اعتبرها الحاسوب الأكثر أهمية، ووجدوا أن الحاسوب كان يولي اهتماماً وثيقاً لحقيقة أن بعض القياسات مفقودة. وبشكل محدد، كان المؤشر الذي يشير إلى فقدان قراءة ضغط الدم من بين العوامل الأكثر تأثيراً في التنبؤ بأمراض القلب. هذا لا يعني أن عدم وجود قراءة لضغط الدم يسبب أمراض القلب، بل يشير إلى أن نمط "الغياب" يحمل في طياته معلومات خاصة به. ففي هذا المستشفى، قد يشير عدم تسجيل قراءة ضغط الدم إلى شيء ما يتعلق بحالة المريض، مثل نوع معين من الزيارات أو عامل اجتماعي واقتصادي أثر على الاختبارات التي طُلبت. لقد تعلم الحاسوب أن هذا الغياب هو إشارة، تماماً مثل رقم الكوليسترول المرتفع. ويتحدى هذا الاكتشاف الفكرة القائلة بأن البيانات المفقودة هي مجرد عيب يجب إصلاحه أو تجاهله، فهو يوضح أنه في البيئات السريرية الواقعية، فإن الطريقة التي تُسجل بها المعلومات — أو عدم تسجيلها — هي جزء من القصة التي ترويها البيانات.
تخلص الدراسة إلى أنه لكي تحظى البرامج الحاسوبية بالثقة في المستشفيات الحقيقية، يجب على العلماء التوقف عن معاملة جودة البيانات كأنها تفصيل ثانوي يتم تنظيفه قبل بدء العمل الرئيسي. إن كيفية التعامل مع المعلومات المفقودة هي جزء أساسي من العلم. فإذا قام الباحثون ببساطة بحذف السجلات غير المكتملة، فإنهم يخاطرون ببناء نماذج تعمل جيداً على الورق ولكنها تفشل في الممارسة العملية. والنهج الأكثر موثوقية هو استخدام الأساليب التي تحترم عدم اكتمال البيانات، سواء عن طريق ملء الفجوات بعناية أو من خلال الإقرار بأن غياب القياس هو في حد ذاته قطعة من المعلومات. ومن خلال استخدام مجموعة بيانات محلية المصدر من تركيا، أثبت الباحثون أن النماذج المبنية على بيانات حقيقية وفوضوية هي أكثر تمثيلاً للظروف الفعلية التي يواجهها الأطباء. وقد وجدوا أنه بينما لم تكن النماذج مثالية، إلا أنها كانت صادقة ومتينة. وتجادل الدراسة بأن مستقبل التنبؤ الطبي لا يكمن في إيجاد خوارزمية أفضل قليلاً لتعمل على بيانات مثالية، بل في بناء أنظمة يمكنها فهم والتعلم من الواقع غير المثالي للسجلات الصحية البشرية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.