Development and Multicenter Validation of an Ensemble Machine Learning Model for Symptom-Based Triage of Hepatopancreatobiliary Diseases

تؤثر أمراض الجهاز الكبد والبنكرياس والصفراوي على الكبد، والمرارة، والبنكرياس، وشبكة الأنابيب التي تنقل الصفراء. ويمكن أن تتراوح هذه الحالات من حصوات مؤلمة إلى سرطانات مهددة للحياة. ويتمثل التحدي الرئيسي في علاجها في أن علامات التحذير المبكرة غالباً ما تكون غامضة؛ فقد يشعر الشخص بعدم ارتياح عام، أو غثيان، أو ألم طفيف، وهي أعراض قد تشير إلى عشرات المشكلات المختلفة والأقل خطورة. ولأن هذه الإشارات المبكرة غير محددة للغاية، فغالباً ما ينتظر المرضى وقتاً طويلاً قبل رؤية اختصاصي، وبحلول الوقت الذي يتم فيه التوصل إلى تشخيص نهائي من خلال التصوير أو الجراحة، قد يكون المرض قد وصل إلى مرحلة تجعل العلاج أكثر صعوبة. وفي أجزاء كثيرة من العالم، يقتصر الوصول إلى أدوات التشخيص المتقدمة، مما يجعل من الصعب تحديد من يحتاج إلى رعاية عاجلة ومن لا يحتاج إليها.

ولمعالجة ذلك، اتجه الباحثون إلى تعلم الآلة، وهو مجال تتعلم فيه الحواسيب التعرف على الأنماط من مجموعات كبيرة من البيانات. فبدلاً من الاعتماد على اختبار واحد، يمكن لهذه الأنظمة وزن العديد من القرائن الصغيرة معاً — مثل نوع الألم الذي يشعر به المريض، أو عمره، أو ما إذا كان قد فقد وزنه مؤخراً — لحساب درجة الخطورة. والهدف هو إنشاء أداة تعمل عند أول نقطة اتصال بالطبيب، للمساعدة في تحديد المرضى الذين يحتاجون إلى اهتمام متخصص وفوري. ولا يهدف هذا النهج إلى استبدال الحاجة إلى الاختبارات المتقدمة، بل يهدف إلى ضمان إحالة المرضى المناسبين إلى المتخصصين المناسبين في وقت أقرب بكثير.

قام فريق من الباحثين من الهند بتطوير واختبار مثل هذه الأداة، حيث أنشأوا نموذجاً حاسوبياً مصمماً لفرز المرضى بناءً على أعراضهم وتاريخهم الطبي الأساسي فقط. وفي دراسة شملت آلاف الأفراد عبر مستشفيات متعددة، بنوا نظاماً يستمع إلى قصة المريض ويقرر مدى احتمالية إصابته بمرض خطير في الجهاز الكبد والبنكرياس والصفراوي. جمع الباحثون بيانات من 2,296 شخصاً زاروا المستشفيات بأعراض تشير إلى هذه الأمراض. وقسموا هذه المجموعة إلى مجموعتين: مجموعة كبيرة لتعليم الكمبيوتر كيفية التعرف على الأنماط، ومجموعة أخرى منفصلة ومختلفة تماماً لاختبار مدى كفاءة الكمبيوتر في الأداء على مرضى جدد لم يسبق له رؤيتهم.

إن النموذج الحاسوبي الذي أنشأوه هو نموذج "تجميعي" (ensemble)، مما يعني أنه يجمع بين القدرة على اتخاذ القرار لثلاثة أنواع مختلفة من الخوارزميات. تخيل الأمر كأنه لجنة من ثلاثة خبراء، لكل منهم طريقة مختلفة قليلاً في النظر إلى الأدلة، ويصوتون معاً للوصول إلى استنتاج نهائي. أحد أنواع الخوارزميات بارع بشكل خاص في رصد العلاقات المعقدة وغير الخطية بين الأعراض، وآخر يركز على تصحيح أخطائه أثناء التعلم، والثالث ماهر في رسم خطوط واضحة بين مجموعات البيانات المختلفة. ومن خلال حساب متوسط تنبؤاتهم، أمل الفريق في إنشاء نظام يتسم بالحساسية الكافية لالتقاط معظم الحالات، والدقة الكافية لتجنب إرسال الأصحاء لإجراء اختبارات غير ضرورية ومكلفة.

عندما اختبر الباحثون هذا النموذج المجمع على المجموعة المستقلة المكونة من 781 مريضاً، كانت النتائج مذهلة. فقد حدد النظام بدقة 76.1% من المرضى الذين يعانون بالفعل من مرض في الجهاز الكبد والبنكرياس والصفراوي. والأهم من ذلك، أنه كان دقيقاً للغاية في استبعاد أولئك الذين لا يعانون من المرض، حيث حدد بدقة 93.9% من الضوابط الأصحاء. وهذا يعني أنه إذا أشار النموذج إلى مريض بأنه عالي الخطورة، فهناك احتمال بنسبة 94.9% أن المريض يعاني حقاً من حالة تتطلب مزيداً من الاستقصاء. حقق النموذج دقة إجمالية بلغت 83.2%، وهو رقم يمثل عدد المرات التي تطابق فيها تخمين الكمبيوتر مع التشخيص الطبي النهائي.

كما قارنت الدراسة هذه الأداة الرقمية مقابل حكم المتخصصين البشريين. ففي نفس مجموعة المرضى، حدد جراحو الجهاز الهضمي ذوو الخبرة 62% فقط من الحالات الفعلية. وقد تفوق النموذج الحاسوبي على الخبراء البشريين بالعثور على 14 نقطة مئوية إضافية من الحالات التي أغفلها الأطباء في البداية. وهذا التحسن مهم لأنه يشير إلى أن النموذج يمكنه التقاط الأنماط الدقيقة في مجموعات الأعراض التي قد يغفل عنها الإنسان، خاصة عند التعامل مع كم هائل من المعلومات التي يقدمها المريض. فعلى سبيل المثال، كان النموذج فعالاً بشكل خاص في تحديد سرطان المرارة وأمراض حصوات المرارة، رغم أنه وجد صعوبة طفيفة في اكتشاف أنواع معينة من أورام البنكرياس، مما يشير إلى أنه رغم قوة الأداة، إلا أنها ليست مثالية بعد لكل نوع فرعي من الأمراض.

ولجعل هذه التكنولوجيا مفيدة في العالم الحقيقي، طور الباحثون تطبيقاً للهاتف المحمول بلغتين. يسمح هذا التطبيق للطبيب أو الممرض بإدخال أعراض المريض، مثل موقع ألم البطن، أو وجود حمى، أو تاريخ من فقدان الوزن. ثم يقوم التطبيق فوراً بحساب درجة الخطورة. إذا كانت الدرجة منخفضة، يتم تصنيف المريض كمنخفض الخطورة ويمكن إدارته برعاية روتينية. أما إذا كانت الدرجة عالية، فيوصي التطبيق بالإحالة الفورية لإجراء تصوير متقدم أو تقييم من قبل اختصاصي. تم تصميم سير العمل هذا ليكون بسيطاً وسريعاً، حيث يحول الرياضيات المعقدة لنموذج تعلم الآلة إلى قرار واضح وقابل للتنفيذ لمقدم الرعاية الأولية.

نظر الباحثون أيضاً في كيفية تأثير توقيت التشخيص على نتائج المرضى المصابين بالسرطان. ووجدوا أن المرضى الذين تمت إحالتهم للعلاج في غضض أربعة أشهر من بدء ظهور أعراضهم كانوا أكثر عرضة لاستئصال السرطان جراحياً بنية الشفاء. أما أولئك الذين تأخر تشخيصهم لأكثر من أربعة أشهر، فكانوا أقل عرضة بشكل كبير لتلقي هذا العلاج المنقذ للحياة. ورغم أن الدراسة لم تثبت أن النموذج الحاسوبي نفسه تسبب في إحالة هؤلاء المرضى في وقت مبكر، إلا أن البيانات تشير إلى أن أداة قادرة على تحديد الخطورة في وقت أبكر يمكن أن تساعد في سد الفجوة بين ظهور الأعراض والعلاج الشافي.

وعلى الرغم من هذه النتائج الواعدة، يحرص المؤلفون على ملاحظة قيود عملهم. فالبيانات المستخدمة لتدريب واختبار النموذج جاءت من مستشفيات كبيرة ومتخصصة، مما يعني أن المرضى كانوا يعانون بالفعل من حالات شديدة أو معقدة. ولم يتم اختبار النموذج بعد في بيئة الرعاية الأولية، حيث قد يكون لدى المرضى أعراض أخف أو ملفات صحية مختلفة. ويقر الباحثون بأن الأداة تحتاج إلى مزيد من الاختبار في المجتمع لضمان عملها مع عام السكان بنفس كفاءة عملها مع مرضى المستشفيات في هذه الدراسة. كما يشيرون إلى أن النموذج هو أداة مساعدة لاتخاذ القرار، وليس بديلاً عن حكم الطبيب، ويجب استخدامه لدعم الخبرة السريرية لا لإلغائها.

تخلص الدراسة إلى أن نموذج تعلم الآلة القائم على الأعراض يمكن أن يعمل كأداة قوية ومنخفضة التكلفة لفرز المرضى في المراحل المبكرة من المرض. ومن خلال التركيز على المعلومات المتاحة في الزيارة الأولى، يمكن لنظام كهذا أن يساعد النظم الصحية، وخاصة في البيئات محدودة الموارد، على منح الأولوية للمرضى الذين يحتاجون إلى رعاية عاجلة أكثر من غيرهم. ويخطط الباحثون لمواصلة عملهم من خلال اختبار التطبيق في عيادات الرعاية الأولية في العالم الحقيقي لمعرفة ما إذا كان بإمكانه حقاً تقليل الوقت اللازم لتشخيص هذه الأمراض الصعبة والصامتة غالباً.