Development and Evaluation of Explainable Machine-Learning Models for Predicting 30-Day Unplanned Hospital Readmission

تعد المستشفيات أماكن يذهب إليها الناس من أجل التحسن، ولكن في بعض الأحيان، وبعد مغادرتهم بوقت قصير، يجدون أنفسهم يعودون إليها مجدداً. هذا العودة، المعروفة باسم "إعادة التنويم"، غالباً ما تكون غير مخططة ويمكن أن تشير إلى أن تعافي المريض لم يكن مكتملاً، أو أن انتقاله إلى المنزل كان صعباً، أو أن حالته الصحية الأساسية أكثر تعقيداً مما كان يُعتقد في البداية. بالنسبة لأنظمة الرعاية الصحية، تعد هذه العودات مكلفة ومجهدة لجميع المعنيين. وبالنسبة للمرضى، فإنها تمثل انقطاعاً في مسار تعافيهم وتهديداً محتملاً لسلامتهم. وبسبب ذلك، يبحث الأطباء والإداريون باستمرار عن طرق لتحديد المرضى الأكثر عرضة للعودة حتى قبل مغادرتهم المستشفى. فإذا استطاعوا رصد هذه المخاطر مبكراً، يمكنهم تقديم دعم إضافي، أو إدارة أفضل للأدوية، أو متابعة وثيقة لضمان بقاء الناس بصحة جيدة في منازلهم.

لسنوات طويلة، حاول الباحثون بناء برامج حاسوبية يمكنها التنبؤ بهذه العودات. تنظر هذه البرامج في تاريخ المريض — عمره، زيارات المستشفى السابقة، عدد الأدوية التي يتناولها، وحالته الصحية الحالية — لحساب درجة الخطورة. ومع ذلك، فقد تغيرت الأدوات المستخدمة لبناء هذه البرامج. في الماضي، اعتمد العلماء على أساليب إحصائية مباشرة سهلة الفهم، لكنها كانت تفتقر أحياناً إلى القدرة على رصد الأنماط المعقدة في البيانات. أما اليوم، فإن تقنيات حاسوبية أكثر قوة، تُعرف غالباً باسم "تعلم الآلة"، يمكنها فحص كميات هائلة من المعلومات وإيجاد روابط دقيقة قد تغفل عنها الأساليب الأبسط. ولكن هناك عقبة: فهذه الأدوات القوية يمكن أن تكون مثل "الصندوق الأسود"، حيث تقدم تنبؤاً دون توضيح السبب. ولكي يثق الطبيب في نصيحة الحاسوب، فإنه يحتاج إلى فهم المنطق الكامن وراءها.

وقد عالجت دراسة حديثة أجراها الباحثان "شاراري تاهري موغدام" و"محمد شفيق الرحمن جابين" هذا التحدي من خلال بناء واختبار نوعين مختلفين من نماذج التنبؤ لمعرفة أيهما يعمل بشكل أفضل وأيهما يمكنه شرح تفكيره بوضوح أكبر. وقد ركز الباحثان على مشكلة محددة وهي التنبؤ بما إذا كان المريض البالغ سيعود إلى المستشفى في غضون ثلاثين يوماً من خروجه. وللقيام بذلك، أنشأا إطار عمل تجريبي باستخدام مجموعة بيانات اصطناعية — وهي مجموعة سجلات مرضى مُولدة حاسوبياً مصممة لمحاكاة بيانات المستشفيات الحقيقية دون استخدام أي معلومات خاصة فعلية. وقد سمح هذا لهما باختبار أساليبهما بأمان وقابلية للتكرار قبل تطبيقها على السجلات الواقعية.

وضع الباحثان مقارنة مباشرة بين نهجين. كان الأول نموذجاً إحصائياً تقليدياً، استخدمتاه كمعيار مرجعي موثوق. والثاني نموذج تعلم آلة أكثر تقدماً يُعرف باسم "الغابة العشوائية" (Random Forest). يمكنك التفكير في "الغابة العشوائية" كفريق من العديد من صناع القرار الذين يعملون معاً؛ فبدلاً من الاعتماد على قاعدة واحدة، تجمع بين آراء مئات الأشجار القرارية الصغيرة للوصول إلى استنتاج نهائي. ويُعرف هذا النهج بقدرته العالية على رصد العلاقات المعقدة وغير الخطية في البيانات، مثل كيفية تفاعل عمر المريض مع عدد أدويته لزيادة نسبة الخطورة. قام الفريق بتدريب كلا النموذجين على البيانات الاصطناعية، ثم طلبا منهما التنبؤ بالنتائج لمجموعة جديدة من المرضى لم يسبق لهما رؤيتهم من قبل.

أظهرت النتائج أن نموذج تعلم الآلة الأكثر تعقيداً كان بالفعل أكثر دقة. فقد حدد نموذج "الغابة العشوائية" المرضى الذين سيعودون بنسبة 75.8% من المرات، مقارنة بـ 71.2% للنموذج التقليدي. كما ارتكب أخطاءً أقل بشكل عام، حيث صنف 86.5% من جميع الحالات بشكل صحيح، بينما أصاب النموذج التقليدي في 83.5% من الحالات. ولعل الأهم من ذلك هو أن النموذج المتقدم ارتكب أخطاءً أقل في كلا الاتجاهين: فقد فاته عدد أقل من المرضى ذوي الخطورة العالية الذين عادوا بالفعل، كما أنه لم يصنف عدداً أقل من المرضى ذوي الخطورة المنخفضة الذين كانوا سيكونون في أمان في منازلهم. وبلغة الدراسة، حقق نموذج تعلم الآلة درجة 0.84 على مقياس التمييز، مما يعني أنه كان أفضل في الفصل بين أولئك الذين سيعودون وأولئك الذين لن يعودوا، مقارنة بدرجة 0.72 للنموذج التقليدي.

ومع ذلك، لم تتوقف الدراسة عند مجرد قياس الدقة. فقد أدرك الباحثون أن النموذج لن يكون مفيداً في المستشفى إذا لم يستطع الأطباء فهم سبب صدور تنبؤ معين. ولحل هذه المشكلة، استخدموا تقنية تسمى "SHAP"، والتي تعمل مثل "كشاف الضوء" لتوضح بالضبط العوامل التي دفعت التنبؤ للأعلى أو للأسفل لكل مريض على حدة. وعندما نظروا في النتائج، ظهرت صورة واضحة؛ حيث كان العامل الأكثر أهمية في التنبؤ بالعودة إلى المستشفى هو ببساطة ما إذا كان المريض قد دخل المستشفى من قبل. وكان هذا هو الإشارة الأقوى في كلا النموذجين. وشملت العوامل الهامة الأخرى مدة إقامة المريض في المستشفى خلال زيارته الحالية، وعدد الأدوية المختلفة التي يتناولها، وعدد الحالات الطبية لديه، وعمره، وما إذا كان يعاني من مشا مشاكل في الكلى.

كما وجدت الدراسة أن بعض العوامل قللت بالفعل من خطر العودة. فالمرضى الذين أُرسلوا إلى منازلهم مع موعد متابعة مجدول، والذاء تم فحص أدويتهم ومراجعتها بدقة قبل الخروج، والذين خرجوا إلى منازلهم بدلاً من الانتقال إلى دار رعاية، كانوا أقل عرضة للعودة. وقد استطاع نموذج تعلم الآلة وزن كل هذه العوامل معاً، موضحاً كيف أن مريضاً قضى فترة طويلة في المستشفى ويتناول أدوية كثيرة قد يكون أكثر عرضة للخطر، حتى لو كان شاباً في السن. وفي مثال لمريض محدد في الدراسة، أوضح الحاسوب أن خطورته العالية كانت مدفوعة في المقام الأول بتاريخ دخول سابق للمستشفى، يليه عدد الأدوية التي يتناولها ووظائف الكلى لديه.

ومن الضروري ملاحظة أن هذه الدراسة كانت عرضاً لمنهجية عمل، وليست أداة طبية نهائية جاهزة للاستخدام في كل مستشفى. لقد استخدم الباحثون بيانات اصطناعية لإثبات نجاح سير العمل لديهم، لكنهم ذكروا صراحة أن هذه النتائج تحتاج إلى اختبار على مجموعات بيانات ضخمة وواقعية من مستشفيات فعلية قبل أن يمكن الوثوق بها لاتخاذ القرارات السريرية. كما لم تتحقق الدراسة بعد مما إذا كانت تنبؤات النموذج متوافقة تماماً مع الاحتمالات في العالم الحقيقي، ولم تختبر كيفية أداء النموذج عبر المجموعات الديموغرافية المختلفة أو في أنظمة رعاية صحية مختلفة، وهذه خطوات ضرورية لاحقة. وأكد الباحثون أيضاً أنه بينما يمكن للنموذج شرح العوامل التي ساهمت في درجة الخطورة، فإن هذا لا يعني أن تلك العوامل هي السبب المباشر لإعادة التنويم. فعلى سبيل المثال، قد تكون الإقامة الطويلة في المستشفى علامة على شدة المرض وليس هي السبب في العودة نفسها.

وعلى الرغم من هذه القيود، فإن هذا العمل يقدم مخططاً قيماً لمستقبل الرعاية في المستشات. فهو يوضح أنه من الممكن استخدام نماذج حاسوبية قوية ومعقدة للتنبؤ بنتائج المرضى مع الحفاظ في الوقت نفسه على شفافية ووضوح المنطق للرؤية من قبل الأطباء البشريين. ومن خلال الجمع بين دقة تعلم الآلة والشرح الواضح لأسباب تعرض المريض للخطر، يمكن لمقدمي الرعاية الصحية في نهاية المطاف امتلاك أداة تساعدهم على تركيز مواردهم على المرضى الذين هم في أمس الحاجة إليها. وتخلص الدراسة إلى أنه بينما تفوق نموذج تعلم الآلة على النموذج التقليدي في هذه المحاكاة، فإن القيمة الحقيقية تكمن في القدرة على الجمع بين التنبؤ القوي والشرح الواضح، مما يمهد الطريق لأنظمة دعم قرار سريري أكثر ذكاءً وموثوقية.