Communication-efficient distributed hazard difference estimation for heterogeneous multi-site survival data
تقدم الورقة البحثية خوارزمية DiSAH، وهي خوارزمية اتحادية غير تكرارية وفعالة في التواصل، تتيح التقدير متعدد المواقع لفروق المخاطر لتحليل البقاء على قيد الحياة دون مشاركة بيانات المرضى، محققةً دقة تضاهي النماذج المركزية ومتفوقةً على التحليل التلوي التقليدي والنهج المحلية.
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
تُعد المستشفيات كنوزاً من المعرفة الطبية، حيث تضم ملايين السجلات التي يمكن أن تساعد الأطباء في التنبؤ بمن هم الأكثر عرضة للمرض أو الوفاة. ومع ذلك، تظل هذه المعرفة حبيسة، ومشتتة عبر مؤسسات فردية لا يمكنها مشاركة بيانات مرضاها بسبب قوانين الخصوصية الصارمة وجدران الحماية الأمنية. لعقود من الزمن، حاول الإحصائيون بناء نماذج تتعلم من العديد من المستشفيات في وقت واحد دون نقل سجل مريض واحد. وقد اعتمدت معظم المحاولات على محادثات معقدة ومتبادلة بين أجهزة الكمبيوتر، والتي غالباً ما تفشل عندما لا تستطيع المستشفيات الحفاظ على اتصال مستمر بخادم مركزي. علاوة على ذلك، فإن الأدوات القياسية المستخدمة لقياس المخاطر غالباً ما تخبر الأطباء فقط بمدى زيادة احتمالية وفاة المريض مقارنة بشخص آخر، بدلاً من إخبارهم بعدد الوفيات الفعلي الإضافي الذي قد تسببه حالة معينة. وهذا التمييز مهم للغاية: فالطبيب الذي يقرر عدد أسرة العناية المركزة التي يجب إبقاؤها مفتوحة يحتاج إلى معرفة العدد المطلق للأرواح المعرضة للخطر، وليس مجرد نسبة مئوية نسبية.
لقد طور فريق من الباحثين الآن طريقة جديدة تسمى "DiSAH" تحل هذه المشكلات عن طريق تغيير كيفية إجراء الحساب. فبدلاً من مطالبة أجهزة الكمبيوتر بالدردشة ذهاباً وإياباً بلا نهاية، يستخدم هذا النهج تبادلاً مباشراً في اتجاه واحد لملخصات بسيطة. تخيل مجموعة من المستشفيات التي تحتاج إلى حساب متوسط واحد دون أن يرى أحد الأرقام الفردية؛ حيث يقوم كل منها بكتابة مجموعه الخاص وعدده، ثم يرسلان هذين الرقمين إلى قائد، ويقوم القائد بجمعهما لإيجاد الإجابة. تعمل طريقة "DiSAH" على هذا المبدأ نفسه ولكن لبيانات البقاء على قيد الحياة. فهي تسمح للمستشفيات بالتعاون في التنبؤ بنتائج المرضى دون مشاركة البيانات الخام أبداً أو الحاجة إلى خادم مركزي مخصص لإدارة العملية. تم تصميم الطريقة لتقدير "فروق المخاطر" (hazard differences)، والتي تقيس التغيير المطلق في معدل وقوع حدث ما، مثل الوفاة، الناتج عن عامل خطر معين. وهذا يعطي الأطباء رقماً ملموساً: على سبيل المثال، كم عدد الوفيات الإضافية لكل مائة مريض قد يُتوقع حدوثها إذا كان المريض يعاني من ارتفاع ضغط الدم، بدلاً من مجرد القول إنه أكثر عرضة للوفاة بمقدار ضعفين.
اختبر الباحثون هذه الطة باستخدام بيانات من أقسام الطوارئ في الولايات المتحدة وسنغافورة، شملت ما يقرب من 48,000 مريض. وقسموا البيانات إلى مجموعات منفصلة لمحاكاة مستشفيات مختلفة، لكل منها تركيبتها الفريدة من المرضى وممارساتها الطبية. وفي هذه الاختبارات، أنتجت الطة الجديدة نتائج مطابقة تقرياً لما كان سيتم العثور عليه لو تم دمج جميع البيانات في قاعدة بيانات واحدة ضخمة، وهو سيناريو مستحيل عادةً بسبب قواعد الخصوصية. نجحت الطريقة في تحديد عوامل الخطر للوفاة خلال 30 يوماً والتي كانت المستشفيات الفردية صغيرة جداً بحيث لا تستطيع اكتشافها بمفردها. فعلى سبيل المثال، وجدت أن عوامل مثل الجنس، ومعدل النبض، وأمراض قلب محددة أثرت بشكل كبير على البقاء على قيد الحياة، وهي رؤى غابت عند النظر في بيانات أي مستشفى بمفرده. كما أثبت النظام أنه أكثر دقة في التنبؤ بمن سينجو مقارنة بالطرق التقليدية التي تجمع ببساطة نتائج الدراسات المحلية المنفصلة.
وتتمثل الميزة الرئيسية لهذا النهج في بساطته واستقلاليته. فبخلاف الأنظمة الأخرى التي تتطلب خادماً مركزياً للحفاظ على الاتصال حياً وإدارة التحديثات المتكررة، يمكن لـ "DiSAH" أن يعمل مع قيام أي مستشفى مشارك بدور المنسق. وتتضمن العملية جولات قليلة فقط من مشاركة الإحصاءات الملخصة، مثل عدد المرضى المعرضين للخطر في أوقات محددة والمتوسطات العامة لخصائص هؤلاء المرضى. هذا التصميم يحترم واقع أنظمة تكنولوجيا المعلومات الحديثة في المستشفيات، حيث تحجب جدران الحماية غالباً الاتصالات المستمرة التي تتطلبها التقنيات المتقدمة الأخرى. كما أظهر الباحثون أن الطريقة تعمل حتى عندما تكون لدى المستشفيات مزيج مختلف تماماً من المرضى ومخاطر صحية أساسية مختلفة، وهو وضع تعاني فيه العديد من الأدوات الإحصائية الأخرى. ومن خلال استخدام إطار رياضي يركز على المخاطر الجمعية بدلاً من المخاطر الضربيه، تتجنب الطريقة الافتراضات التي غالباً ما تنهار عند مقارنة المجموعات المتنوعة.
تؤكد الدراسة أنه من الممكن بناء نماذج طبية تعاونية قوية دون المساس بخصوصية المريض أو اشتراط بنية تحتية معقدة. لقد أثبت الباحثون أن طريقتهم يمكن أن تستعيد نفس مستوى الدقة مثل التحليل المركزي مع التفوق على كل من النماذج المحلية والتحليلات التلوية (meta-analyses) القياسية. وفي التطبيق الواقعي الذي شمل بيانات غرف الطوارئ، حددت الطريقة عوامل خطر ذات أهمية سريرية لم تكن المواقع الفردية تملك القدرة الإحصائية الكافية لإيجادها. وهذا يشير إلى أن المستشفيات يمكنها الآن العمل معاً لتحسين فرز المرضى وتخصيص الموارد، مع معرفة عدد الأرواح الإضافية المعرضة للخطر بدقة بسبب حالات معينة. لا تدعي هذه الدراسة حل كل مشكلة في البيانات الموزعة، مثل التعامل مع الحالات التي يتغير فيها تأثير عامل الخطر بشكل جذري بين المواقع، لكنها توفر أداة عملية وقوية لأكثر السيناريوهات شيوعاً. ومن خلال تحويل تحدٍ إحصائي معقد إلى تبادل بسيط للملخصات، يقدم هذا النهج مساراً جديداً للمستشفيات للتعلم من بعضها البعض مع الحفاظ على أمن بيانات المرضى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.