Machine learning prediction of clinical trajectories after N-terminal pro-B-type natriuretic peptide exceeds 35,000 pg/mL: a retrospective development and external validation study
طورت هذه الدراسة الاستعادية نموذجاً للتعلم الآلي وتم التحقق من صحته خارجياً باستخدام متغيرات متاحة روتينياً للتنبؤ بالمسارات السريرية قصيرة المدى داخل المستشفى (تحديداً الخروج على قيد الحياة أو تعافي مستويات NT-proBNP) عقب نتيجة أولية لـالبروتين النتروببتيدي النوعي من النهاية الطرفية "ب" تتجاوز 35,000 بيكوغرام/مل، مما أظهر قدرة تمييز متوسطة مدفوعة بشكل أساسي بنتائج البقاء على قيد الحياة بدلاً من التعافي البيوكيميائي.
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 يكافح القلب لضخ الدم بفعالية، فإنه يرسل إشارة استغاثة كيميائية. يقيس الأطباء بروتيناً معيناً يسمى "البروتين المتقدم من الطرف النيتروجيني-N لـ الببتيد المدر للصوديان من النوع B"، أو ما يعرف بـ NT-proBNP، لتقدير مدى شدة تلك المعاناة. وكلما ارتفع المستوى، زاد الضغط الواقع على القلب. يعد هذا الاختبار أداة قياسية لإدارة فشل القلب، مما يساعد الأطباء في تحديد من يحتاج إلى رعاية عاجلة ومن قد يكون في مرحلة التعافي. ومع ذلك، فإن الأجهزة التي تقيس هذا البروتين لها حد معين. تماماً كما يتوقف المسطرة عند طول محدد، تتوقف هذه الاختبارات الطبية عن تقديم أرقام دقيقة بمجرد أن يصبح التركيز مرتفعاً جداً. في الأنظمة التي يستخدمها الباحثون، يتوقف الجهاز عن إعطاء رقم محدد عند 35,000 بيكوغرام/ملليلتر؛ وأي شيء فوق ذلك يُقرأ ببساطة على أنه "أكبر من 35,000". وهذا يخلق نقطة عمياء؛ فالطبيب يعلم أن المستوى مرتفع بشكل خطير، لكنه لا يستطيع معرفة ما إذا كان أعلى من الحد بقليل أم أنه أعلى بعدة أضعاف. وبدون معرفة الرقم الدقيق، يصبح من الصعب تتبع ما إذا كان المريض يتحسن أم يسوء، لأن الطريقة المعتادة لمراقبة انخفاض الرقم لم تعد متاحة.
وضع فريق من الباحثين هدفاً لحل مشكلة الرقم المفقود هذه. طرحوا سؤالاً عملياً: إذا دخل مريض إلى المستشفى بنتيجة خارج نطاق القياس، فهل يمكننا التنبؤ بما سيحدث له لاحقاً؟ بدلاً من محاولة تخمين الرقم المخفي الدقيق، قاموا ببناء نموذج حاسوبي للتنبؤ بالرحلة السريرية للمريض. أرادوا معرفه ما إذا كان المريض سيخرج من المستشفى حياً، أو ما إذا كانت حالته ستتحسن بما يكفي ليظهر اختباره التالي أخيراً رقماً تحت حد الـ 35,000. وللقيام بذلك، جمعوا بيانات من مجموعتين مختلفتين من المرضى؛ جاءت المجموعة الأولى من قاعدة بيانات عامة ضخمة للسجلات المستشفيات، وجاءت المجموعة الثانية من مستشفى محلي في الصين. وفي كلتا المجموعتين، نظروا فقط إلى اللحظة التي تلقى فيها المريض تلك النتيجة "المرتفعة جداً بحيث لا يمكن قياسها". ثم راقبوا ما حدث بعد ذلك، باستخدام مجموعة واسعة من المعلومات الأخرى المتاحة في ملف المريض، مثل عمره، ونتائج اختبارات الدم لوظائف الكلى، ومستويات بروتينات أخرى في الدم.
قام الباحثون بتدريب برنامج حاسوبي للبحث عن أنماط في هذه القطع السبعة والعشرين من المعلومات المختلفة. لقد علموا البرنامج التعرف على التوليفات من العوامل التي من المرجح أن تؤدي إلى خروج المريض من المستشفى حياً أو رؤية نتائج فحوصاته تعود إلى نطاق قابل للقياس. اختبروا هذا البرنامج أولاً على المجموعة الأولى من المرضى، ثم، وبشكل حاسم، أغلقوا الإعدادات واختبروه على المجموعة المنفصلة تماماً من المستشفى المحلي. هذا الاختبار الثاني مهم لأنه يوضح ما إذا كان النموذج يعمل على أشخاص جدد لم يسبق له رؤيتهم. أظهرت النتائج أن النموذج كان جيداً جداً في أداء مهمته؛ ففي المجموعة الأولى، حقق مساحة تحت المنحنى (AUC) بلغت 0.76. وعند تطبيقه على المجموعة الثانية المستقلة، تحسن أداؤه في الواقع، حيث وصلت المساحة تحت المنحنى إلى 0.81. يشير هذا إلى أن النموذج يمكنه تحديد المرضى الذين من المرجح أن تكون نتائجهم قصيرة المدى أفضل، والذماء الذين يواجهون مخاطر أعلى، بشكل موثوق.
ومع ذلك، وجد الباحثون شيئاً مفاجئاً حول ما كان النموذج يتنبأ به بالفعل. فقد قاموا بتحليل النتائج لمعرفة ما إذا كان النموذج جيداً في التنبؤ بشيئين محددين: ما إذا كان المريض سيخرج من المستشفى حياً، وما إذا كان اختبار الدم التالي للمريض سيظهر رقماً أقل. كان النموذج جيداً جداً في التنبؤ بمن سيخرج من المستشفى حياً، لكنه لم يكن جيداً في التنبؤ بما إذا كان فشل القلب لدى المريض سيتحسن بما يكفي لإعادة مستوى البروتين إلى النطاق القابل للقياس. في الواقع، بالنسبة للمرضى الذين أُعيد فحص دمهم، لم يكن أداء النموذج أفضل من الصدفة العشوائية في التخمين ما إذا كان الرقم سينخفض. وهذا يعني أن النموذج ليس أداة لتخمين الرقم الكيميائي المخفي أو لتتبع التعافي البيولوجي للقلب، بل هو أداة للتنبؤ بالمصير السريري العام للمريض. فهو يخبر الطبيب أن المريض الذي يعاني من نتيجة خارج نطاق القياس من المرجح أن ينجو من فترة الإقامة في المستشفى، حتى لو ظل اختبار الدم عالقاً عند الحد الأقصى.
خلصت الدراسة إلى أن هذا النهج يوفر طريقة مفيدة لإدارة المرضى عندما يفشل الاختبار المعتاد. إذا حصل المريض على نتيجة لا يمكن للجهاز تحديد كميتها، يمكن للأطباء استخدام هذا النموذج للحصول على تصور عن التوقعات قصيرة المدى للمريض بناءً على علاماته الحيوية الأخرى وفحوصات الدم الخاصة به. يشير النموذج إلى أنه بينما قد يظل القلب تحت ضغط شديد، إلا أن الحالة العامة للمريض قد تكون مستقرة بما يكفي للخروج من المستشفى. ويؤكد الباحثون أنه لا ينبغي استخدام هذه الأداة لاتخاذ قرارات مؤتمتة بشأن العلاج أو لافتراض أن القلب قد تعافى لمجرد أن النموذج يتنبأ بنتيجة جيدة. إنها أداة لتصنيف المخاطر، تساعد الأطباء في تحديد من يحتاج إلى مراقبة أكثر كثافة. وقبل أن يمكن استخدام هذا النموذج في الممارسة اليومية، فإنه سيحتاج إلى تعديل طفيف ليتناسب مع مجتمع المرضى الخاص بمستشفى جديد واختباره في الوقت الفعلي لضمان مساعدته للأطباء في اتخاذ قرارات أفضل. في الوقت الحالي، يظل هذا العمل بمثابة عرض توضيحي لكيفية أنه حتى عندما يصطدم قياس رئيسي بحائط مسدود، فإن البيانات الأخرى المتاحة يمكن أن تضيء الطريق أمام رعاية المريض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.