Leveraging Interpretable Machine Learning Models and National Risk Stratification for Postnatal Anemia in Ethiopia: A Secondary Analysis of the 2024–25 Demographic and Health Survey

في الأسابيع التي تلي الولادة، يمر جسم الأم بتحول عميق، حيث ينتقل من المتطلبات الشديدة لفترة الحمل إلى حالة من التوازن اليومي. وتعد هذه الفترة حرجة، ومع ذلك، فإن ملايين النساء في المناطق محدودة الموارد تلاحقهن ظلال حالة صامتة وخطيرة: فقر الدم. يحدث هذا عندما يفتقر الدم إلى ما يكفي من الخلايا الحمراء السليمة لحمل الأكسجين بفعالية، مما يترك الجسم جائعاً للطاقة التي يحتاجها للتعافي والعمل. وتتراوح العواقب بين التعب الشديد وضعف المناعة، وصولاً إلى مضاعفات تهدد حياة كل من الأم والطفل. وفي بلدان مثل إثيوبيا، حيث قد يكون الوصول إلى الاختبارات الطبية المتقدمة نادراً، يعتمد تحديد الأمهات الأكثر عرضة للخطر غالباً على قواعد عامة واسعة بدلاً من نظرة عميقة إلى وضع كل امرأة على حدٍ سواء. وتكافح الطرق التقليدية للربط بين نظام المرأة الغذائي، وظروفها الاقتصادية، وتاريخها الطبي للتنبؤ بمن ستمرض.

ولسد هذه الفجوة، لجأ الباحثون إلى أداة قوية من العصر الرقمي: تعلم الآلة. وخلافاً لقوائم التحقق البسيطة، تستطيع هذه البرامج الحاسوبية فحص كميات هائلة من المعلومات للعثبة أنماط خفية قد تغفل عنها العين البشرية. فهي لا تنظر فقط إلى عامل واحد بمعزل عن غيره، بل تنسج معاً عشرات التفاصيل — مثل عمر المرأة، ومكان سكنها، وعدد المرات التي زارت فيها الطبيب أثناء الحمل، والوضع المالي لعائلتها — لبناء صورة كاملة للمخاطر. والهدف ليس استبدال الأطباء، بل منحهم عدسة أكثر حدة، مما يسمح لهم برصد الخطر مبكراً وتوجيه الموارد المحدودة إلى النساء اللواتي يحتجن إليها بشدة.

قام فريق من الباحثين في إثيوبيا مؤخراً بتطبيق هذا النهج على مجموعة بيانات ضخمة لمعالجة فقر الدم بعد الولادة على نطاق وطني. فقد حللوا سجلات 45,280 امرأة ولدن حديثاً، مستمدين البيانات من المسح الإثيوبي للديموغرافيا والصحة لعام 2024-2025. لم تكن هذه تجربة صغيرة؛ بل كانت نظرة شاملة للبلاد بأكملها، تجمع بين بيانات المسح والسجلات الصحية لإنشاء خريطة مفصلة لصحة الأم. وقد غرس الباحثون هذه المعلومات في ستة نماذج حاسوبية مختلفة، يستخدم كل منها استراتيجية رياضية فريدة للتعلم من البيانات. أرادوا معرفة أي خوارزمية يمكنها التنبؤ بشكل أفضل بمدى شدة فقر الدم، والتمييز بين النساء السليمات، واللواتي يعانين من مشكلات طفيفة، واللواتي يواجهن حالات خطيرة تهدد الحياة.

كانت النتائج مذهلة. فقد برز نموذج واحد، يُعرف باسم "الغابة العشوائية" (Random Forest)، كقائد واضح. ولفهم كيفية عمله، تخيل مجموعة من الخبراء ينظر كل منهم في ملف المريض ويقدم رأياً؛ ويتم اتخاذ القرار النهائي من خلال الاستماع إلى الأغلبية. أثبتت هذه "الغابة" من اتخاذ القرار دقة فائقة، حيث حددت الحالة الصحية للنساء بدقة في حوالي 97 حالة من بين كل 100 حالة. كما كانت بارعة بشكل خاص في رصد الحالات الأكثر خطورة، مما يضمن عدم إغفال النساء اللواتي يعانين من فقر دم حاد. وأظهرت نماذج أخرى، مثل تلك القائمة على أشجار القرار أو الشبكات العصبية، أداءً جيداً ولكنها جاءت خلف هذا المتصدر بفارق بسيط. كما أظهر نموذج الغابة العشوائية قدرة ملحومة على البقاء موثوقاً عبر مختلف المناطق والفئات الديموغرافية، مما يثبت أنه لم يكن يحفظ البيانات فحسب، بل يفهم حقاً العلاقات الكامنة فيها.

ما جعل هذا النموذج فعالاً للغاية هو قدرته على التعلم من العوامل المحددة التي تهم السياق الإثيوبي. فقد حدد الحاسوب أن مؤشر كتلة الجسم للمرأة، وتكرار زياراتها الطبية قبل الولادة، وثروة عائلتها، ومنطقتها الجغرافية، هي أقوى المتنبئات بنتيجتها الصحية. وكشفت البيانات عن نمط واضح: فالنساء اللواتي يتمتعن بمؤشرات كتلة جسم أعلى واللواتي حضرن المزيد من مواعيد ما قبل الولادة كنّ أقل عرضة بكثير للمعاناة من فقر الدم الحاد. وعلى العكس من ذلك، كان العيش في المناطق الريفية وانخفاض دخل الأسرة مؤشرين قويين على ارتفاع المخاطر. ولم يكتفِ النموذج بتحديد هذه المخاطر، بل قام بقياسها كمياً، موضحاً بالضبط كيف يدفع كل عامل بالمرأة نحو حالة صحية أكثر خطورة.

ولعل الأهم من ذلك هو أن الباحثين ضمنوا أن منطق الحاسوب كان شفافاً. ففي العديد من الأنظمة المتقدمة، تأتي الإجابة النهائية من "صندوق أسود" حيث يكون المنطق الداخلي مخفياً. وهنا، استخدم الفريق طريقة تسمى "SHAP" لفتح ذلك الصندوق وإظهار كيف توصل النموذج إلى استنتاجاته بدقة. وقد سمح هذا برؤية أن النموذج لم يكن يخمن عشوائياً، بل كان يزن ظروفاً واقعية محددة. فعلى سبيل المثال، استطاع النموذج أن يشرح أن امرأة في أسرة ريفية فقيرة مع عدد قليل من زيارات ما قبل الولادة لديها درجة خطر عالية لأن النموذج تعلم من آلاف الحالات المماثة أن هذا المزيج يؤدي دائماً تقريباً إلى نتائج صحية سيئة. وهذه الشفافية أمر حيوي للأطباء، الذين يحتاجون إلى الثقة في الأداة قبل اتخاذ قرار بناءً على نصيحتها.

لقد أكدت الدراسة أن هذه الأدوات الرقمية يمكن أن تفعل أكثر من مجرد فرز البيانات؛ إذ يمكنها أن تعمل كنظام دعم قرار حيوي لمقدمي الرعاية الصحية. ومن خلال دمج مثل هذا النموذج في السجلات الصحية الإلكترونية، يمكن للعيادات تلقائياً تحديد الأمهات المعرضات للخطر لحظة إدخال بياناتهن. وهذا من شأنه أن يسمح للطواقم الطبية بإعطاء الأولوية لهؤلاء النساء للحصول على مكملات الحديد والدعم الغذائي الفوري، بدلاً من الانتظار حتى تصبح الأعراض واضحة. وتشير الأبحاث إلى أنه مع توفر البيانات الصحيحة والخوارزمية الصحيحة، من الممكن الانتقال من نظام الفحص العام إلى نظام الرعاية الدقيقة والفردية.

كما سلطت النتائج الضوء على أوجه القصور في النهج الحالي. فنظراً لأن الدراسة اعتمدت على بيانات مسحية موجودة، فقد تمكنت من تحديد روابط قوية بين عوامل الخطر وفقر الدم، لكنها لم تستطع إثبات أن أحدها يسبب الآخر مباشرة. قد تكون هناك عوامل خفية أخرى، مثل إصابات معينة أو سمات وراثية، لم تشملها الدراسة المسحية. ومع ذلك، فإن الحجم الهائل لمجموعة البيانات واتساق النتائج عبر مختلف الاختبارات الإحصائية يمنحان النتائج درجة عالية من الموثوقية. لم تكن تنبؤات النموذج مجرد تخمين محظوظ؛ بل كانت ذات دلالة إحصائية، مما يعني أن الفرق بين النموذج الأفضل وغيره كان حقيقياً وقابلاً للقياس.

في نهاية المطاف، يوضح هذا العمل أن التكنولوجيا المتقدمة يمكن أن تكون حليفاً قوياً في محاربة أزمة صحية تعود لقرون مضت. فمن خلال تحويل البيانات الوطنية المعقدة إلى رؤى واضحة وقابلة للتنفيذ، يوفر نموذج الغابة العشوائية وسيلة لحماية الأمهات اللواتي قد يتسللن عبر الفجوات ويُغفلن. إنه لا يستبدل الحاجة إلى الأطباء أو أهمية التغذية، ولكنه يقدم طريقة جديدة لضمان وصول المساعدة إلى الأشخاص المناسبين في الوقت المناسب. وفي مشهد تضيق فيه الموارد وترتفع فيه المخاطر، فإن القدرة على التنبؤ بالمخاطر بهذه الدقة تمثل خطوة كبيرة للأمام نحو تعزيز صحة الأم في إثيوبيا وما وراءها.