Predicting Medication Adherence Among Chronic Disease Patients in Ghana Using Explainable Machine Learning: A Retrospective EMR-Based Study

في الإيقاع الهادئ لإدارة الأمراض المزمنة، غالبًا ما تحدث الخطوة الأكثر أهمية ليس في عيادة الطبيب، بل في خصوصية منزل المريض. إن تناول الدواء تمامًا كما هو موصوف هو الجسر بين التشخيص والحياة التي تُعاش بكرامة، ومع ذلك، بالنسبة لملايين الأشخاص حول العالم، يظل هذا الجسر غير مكتمل. تُعرف هذه الفجوة بين ما يصفه الطبيب وما يتناوله المريض فعليًا بـ "عدم الالتزام بالدواء". وهي مشكلة معقدة تشكلها عوامل مثل النسيان، والتعليمات المربكة، والآثار الجانبية للعلاج، ولكن في العديد من الدول النامية، يحركها شيء أكثر ملموسية: تكلفة الدواء وموثوقية سلسلة التوريد. فعندما لا يستطيع المريض تحمل تكاليف إعادة التعبئة أو لا يجد الدواء على الرف، تنهار خطة العلاج، مما يؤدي إلى مضاعفات يمكن الوقاية منها ووفاة مبكرة.

ولحل هذه المشكلة، بدأ الأطباء والباحثون في اللجوء إلى الكمبيوتر، مستخدمين التعلم الآلي لرصد الأنماط في بيانات المرضى التي قد تغفل عنها العين البشرية. تبحث هذه الأنظمة في سجلات من يتناولون دواءهم ومن لا يتناولونه، بحثًا عن المزيج المحدد من العوامل التي تؤدي إلى تخطي الجرعة. ومع ذلك، فإن معظم هذه النماذج الحاسوبية بُنيت في دول غنية حيث يغطي التأمين التكاليف وتكون الصيدليات مليئة دائمًا بالمخزون. وعند تطبيق هذه النماذج في أماكن مثل غانا، حيث لا يوجد تأمين صحي شامل ويمكن أن تكون التكاليف المباشرة عبئًا ثقيلاً، فإنها غالبًا ما تفشل؛ فهي تغفل الحقائق المحلية التي تحدد ما إذا كان بإمكان الشخص الاستمرار في علاجه. تسعى دراسة جديدة من غانا إلى إصلاح ذلك من خلال بناء نموذج يفهم المشهد الاقتصادي والاجتماعي الخاص لمرضاها، باستخدام بيانات تعكس حياتهم الواقعية بدلاً من نسخة مثالية للرعاية الصحية.

لقد وضع الباحثون في مستشفى بريسبيتيريان في أغوجو، غانا، نصب أعينهم إنشاء أداة يمكنها التنبؤ بالمرضى الذين من المرجح أن يتوقفوا عن تناول أدويتهم لحالات مزمنة مثل ارتفاع ضغط الدم والسكري. وقد جمعوا سجلات من 1,772 مريضًا بالغًا زاروا المستشفى على مدار ستة أشهر. وبدلاً من الاعتماد على ذاكرة المرضى حول عدد الحبوب التي تناولوها، استخدم الفريق طريقة دقيقة تسمى "نسبة الأيام المغطاة". تنظر هذه الطريقة إلى تواريخ كل عملية إعادة تعبئة للوصفة الطبية لحساب عدد الأيام التي كان لدى المريض فيها إمداد من دوائه بدقة. فإذا كان لدى المريض ما يكفي من الدواء بنسبة 80 في المائة على الأقل من الوقت، فإنه يُعتبر ملتزمًا؛ وأي نسبة أقل من ذلك تعني أنه في خطر.

بدأ الفريق بتغذية برنامج كمبيوتر بمعلومات قياسية عن هؤلاء المرضى: أعمارهم، وجنسهم، وما إذا كان لديهم تأمين صحي، وعدد الأدوية التي تم وصفها لهم، والتكلفة التقديرية لتلك الأدوية. واختبروا خمسة أنواع مختلفة من خوارزميات الكمبيوتر، تتراوح من الأساليب الإحصائية البسيطة إلى الشبكات العصبية الأكثر تعقيدًا، لمعرفة أي منها يمكنه التنبؤ بمن سيكون ملتزمًا ومن لن يكون. كانت النتائج واعدة، حيث حددت أفضل النماذج الفردية أنماط الالتزام بدقة تصل إلى 88 في المائة. لكن الباحثين أدركوا أن البيانات القياسية ليست كافية لالتقاط الصورة الكاملة للحياة في غانا.

ولجعل النموذج أكثر ذكاءً، أضاف الفريق ست قطع جديدة من المعلومات المصممة خصيصًا والتي تعكس التحديات الخاصة ببيئتهم المحلية. فقد أنشأوا ميزات تجمع بين عوامل مختلفة، مثل ضرب عمر المريض في عدد الأدوية التي يتناولها لمعرفة ما إذا كان كبار السن يعانون أكثر مع الأنظمة العلاجية المعقدة. كما حسبوا "عبء السعر" خصيصًا للمرضى غير المؤمن عليهم، إدراكًا منهم بأن تكلفة الدواء تضرب غير المؤمن عليهم بقوة أكبر بكثير. ومن خلال تعليم الكمبيوتر النظر في هذه التفاعلات، سمحوا للنموذج بفهم أن التكلفة العالية قد لا تهم المريض المؤمن عليه، ولكنها قد تكون سببًا في التوقف بالنسبة لشخص يدفع من ماله الخاص.

وعندما دمجوا هذه الميزات الجديدة الواعية بالسياق مع تقنية تسمى "المجموعة المتراكمة" (stacked ensemble) — حيث تعمل نماذج كمبيوتر متعددة معًا للتصويت على إجابة نهائية — تحسنت دقة التنبؤ. صنف أفضل نموذج المرضى بشكل صحيح بنسبة 89.5 في المائة. والأهم من ذلك، استخدم الباحثون طريقة تسمى "SHAP" لفتح "الصندوق الأسود" لعملية اتخاذ القرار في الكمبيوتر. سمح لهم ذلك برؤية العوامل التي تقود التنبؤات بدقة. ووجدوا أن أقوى المتنبئات لم تكن مجرد العمر أو الجنس، بل حالة التأمين الصحي للمريض، والتفاعل بين العمر وتعقيد أدويته، وما إذا كان يعاني من حالات صحية مزمنة أخرى. وقد أكد هذا أن الوصول المالي وتعقيد العلاج هما القوتان الأساسيتان اللتان تشكلان الالتزام في هذا المجتمع.

كما استكشفت الدراسة كيفية جعل هذه الأداة عملية للمستشفيات ذات الموارد المحدودة. واختبروا ما إذا كان بإمكان النموذج العمل مع عدد أقل من البيانات، محاكيين سيناريو قد لا تتوفر فيه عيادة كل التفاصيل الدقيقة عن المريض. واكتشفوا أن نموذجًا يستخدم سبع ميزات رئيسية فقط يعمل بشكل جيد تقريبًا مثل النموذج الكامل، بل إن نسخة تحتوي على ثلاث ميزات فقط — حالة التأمين، وتفاعل العمر مع الدواء، وحالة الأمراض المزمنة المصاحبة — احتفظت بمعظم قوتها التنبؤية. وهذا يشير إلى أنه في البيئات محدودة الموارد، لا يحتاج الأطباء إلى قاعدة بيانات ضخمة لتحديد المرضى المعرضين للخطر؛ فمجموعة صغيرة ومركزة من المعلومات كافية لتنبيه أولئك الذين يحتاجون إلى مساعدة.

ومع ذلك، كان الباحثون حذرين في الإشارة إلى حدود نتائجهم. فقد جاءت البيانات من مستشفى واحد، ولم يتم اختبار النموذج على مرضى من مناطق أو دول أخرى، لذا ليس من المعروف بعد ما إذا كان سيعمل في كل مكان. كما وجدوا أنه بينما ساعد استخدام تقنية لموازنة البيانات النموذج في العثور على المزيد من المرضى غير الملتزمين، إلا أنها جعلت التنبؤات الإجمالية أقل دقة قليلاً. وفي النهاية، اختاروا النموذج الذي تم تدريبه على البيانات الأصلية غير المتوازنة لأنه قدم أفضل موثوقية إجمالية. وتخلص الدراسة إلى أنه بينما يحمل التعلم الآلي وعودًا كبيرة لتحسين الصحة في غانا، يجب بناء هذه الأدوات مع مراعاة الواقع المحلي. فمن خلال التركيز على الحواجز المحددة المتمثلة في التكلفة والتأمين، ومن خلال إبقاء النماذج بسيطة بما يكفي ليتم استخدامها ببيانات محدودة، أنشأ الباحثون مسارًا لتحديد المرضى الذين يحتاجون إلى الدعم قبل أن يتوقفوا عن تناول أدويتهم المنقذة للحياة.