Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

في كل عام، يواجه آلاف الأشخاص خياراً مرعباً: فقدان طرف أو فقدان حياتهم. غالباً ما تبدأ هذه المعاناة بحالة صامتة ومتسللة حيث تضيق الأوعية الدموية في الساقين وتتصلب، مما يحرم العضلات والجلد من الأكسجين. وعندما يصبح هذا الانسداد شديداً، يمكن أن يؤدي إلى قروح مفتوحة ترفض الالتئام أو حالة يكون فيها الطرف في خطر دائم من الموت. يسمي الأطباء هذه الحالة بمرض الشرايين المحيطية، وفي شكلها الأكثر خطورة، نقص التروية المزمن المهدد للطرف. بالنسبة للمرضى الذين يعانون من هذه الحالات، أو من قرح القدم السكري، فإن الطريق أمامهم مليء بعدم اليقين. إذ يتعين على الطبيب أن يقرر ما إذا كان سيجري جراحة معقدة لاستعادة تدفق الدم، أو يبتر الطرف المتضرر لإنقاذ حياة المريض، أو يركز على الرعاية التلطيفية. هذه القرارات صعبة للغاية لأن كل مريض مختلف، حيث يحمل مزيجاً فريداً من المشكلات الصحية الأخرى، من السكري إلى أمراض القلب، والعوامل الاجتماعية التي تؤثر على استجابتهم للعلاج.

لعقود من الزمن، اعتمد الأطباء على أنظمة تسجيل وحاسبات مخاطر لتوجيه هذه الخيارات، لكن هذه الأدوات غالباً ما فشلت في اكتساب ثقة واسعة النطاق. فهي إما جامدة للغاية بالنسبة لمرض يتسم بالتعقيد والخصوصية، أو تعتمد على بيانات يصعب جمعها باستمرار. والآن، توجه فريق من الباحثين في جامعة نورث كارولينا إلى نوع مختلف من المرشدين: السجلات الرقمية الضخمة لرعاية المرضى نفسها. فباستخدام طريقة جديدة لتنظيم ملايين السجلات الصحية الإلكترونية، بنوا مجموعة من النماذج الحاسوبية المصممة للتنبؤ بما سيحدث للمريض لاحقاً. لم يكن هدفهم استبدال الطبيب، بل منحهم رؤية أوضح للمستقبل، والمساعدة في تحديد من يحتاج إلى الجراحة، ومن قد يفقد طرفه، ومن هو معرض لخطر الموت بسبب أسباب متعلقة بالقلب.

بدأ الباحثون بمجموعة واسعة تضم ما يقرب من 179,000 مريض بالغ تلقوا الرعاية داخل نظام "UNC Health" بين عامي 2014 و2024. وكان هؤلاء أشخاصاً معروفين بالفعل بأنهم معرضون لخطر فقدان الأطراف، بما في ذلك المصابون بمرض الشرايين المحيطية، أو نقص التروية المزمن المهدد للطرف، أو قرح القدم السكري. ولتحليل هذا الكم الهائل من المعلومات، استخدم الفريق نظاماً معيارياً يسمى "نموذج البيانات المشترك OMOP"، والذي يعمل كمترجم عالمي للبيانات الطبية، مما يسمح للمستشفيات المختلفة بالتحدث بنفس اللغة. وقد أضافوا امتداداً خاصاً لهذا النظام، ملأوه بـ 127 متغيراً محدداً يتعلق بأمراض الأوعية الدموية والتي عادة ما تكون مفقودة من السجلات القياسية. سمح لهم ذلك بالنظر إلى المرضى ليس فقط كمجموعة من الأعراض، بل كبشر كاملين لديهم آلاف النقاط البيانية، بدءاً من ضغط الدم ونتائج المختبر، وصولاً إلى تاريخ التدخين، والقدرة على الحركة، وحتى حالتهم الإدراكية.

باستخدام هذه المجموعة الغنية والمتناغمة من البيانات، قام الفريق بتدريب خوارزميات حاسوبية للبحث عن أنماط قد يغفل عنها الأطباء البشر. لقد بنوا ثلاثة نماذج تنبؤية منفصلة؛ حاول الأول تخمين ما إذا كان المريض سيخضع لإجراء إعادة التروية، وهي جراحة تهدف إلى فتح الشرايين المسدودة. وحاول الثاني التنبؤ بما إذا كان المريض سيحتاج في النهاية إلى بتر الطرف. وحاول الثالث التنبؤ بما إذا كان المريض سيموت بسبب حدث وعائي قلبي، مثل النوبة القلبية أو السكتة الدماغية. لم يكتفِ الحاسوب بالنظر إلى العلامات الواضحة لأمراض الساق فحسب؛ بل مسح عبر آلاف العوامل المحتملة، من وجود التهابات محددة إلى نوع الأدوية التي يتناولها المريض، ليرى أي منها كان الأكثر أهمية للنتيجة النهائية.

كشفت النتائج عن قصة تتسم بوضوح مدهش لبعض النتائج وتعقيد مستعصٍ لنتائج أخرى. فالنموذج المصمم للتنبؤ بمن سيخضع لجراحة إعادة التروية كان دقيقاً للغاية؛ حيث حدد المرضى الذين سيخضعون للإجراء بدقة تقترب من المثالية. وكانت العوامل الدافعة لهذا التنبؤ هي بالضبط ما يتوقعه جراح الأوعية الدموية: فقد وجد النموذج أن أقوى الإشارات كانت تتعلق بأمراض الشرايين نفسها، مثل الانسدادات في الأطراف السفلية والجلطات الدموية. تعلم الحاسوب أنه عندما توجد هذه المشكلات الشريانية المحددة، يستجيب النظام الطبي باستمرار بالجراحة. لقد كان ذلك تأكيداً على أن قرار إجراء العملية مدفوع بعلامات واضحة وموضوعية لفشل الشرايين.

كان التنبؤ بالبتر قوياً أيضاً، وإن كانت القصة وراءه أكثر دقة وتفصيلاً. أظهر النموذج أن ما إذا كان المريض سيفقد طرفه يعتمد بشكل كبير على كيفية تعامل جسده وعقله مع ضغوط العلاج. لم تكن أقوى المؤشرات هي شدة جرح الساق فحسب، بل كيف يتفاعل العلاج مع الهشاشة العامة للمريض. فعلى سبيل المثال، إذا خضع مريض يعاني من الخرف أو الضعف البدني الشديد لعملية إعادة التروية، فقد توقع النموذج احتمالية أعلى للبتر في نهاية المطاف. وعلى العكس من ذلك، بالنسبة للمرضى الذين كانوا أضعف من أن يخضعوا للجراحة، اقترح النموذج أنهم أقل عرضة للبتر، غالباً لأن فريق الرعاية وجههم نحو خيارات الرعاية التلطيفية بدلاً من ذلك. يسلط هذا الاكتشاف الضوء على واقع صعب: إن المسار المؤدي لفقدان الطرف لا يتحدد فقط بمرض الساق، بل بقدرة المريض على تحمل رحلة العلاج.

ومع ذلك، حكت النماذج الخاصة بالتنبؤ بالوفاة الناجمة عن أمراض القلب قصة مختلفة. فبينما استطاع الحاسوب تحديد المشتبه بهم المعتادين — مثل حالات فشل القلب، ومضاعفات السكري، وارتفاع نسبة السكر في الدم — إلا أنه لم يستطع التنبؤ بالوفاة بنفس الثقة التي أظهرها في النتائج الأخرى. كانت دقة هذا النموذج متواضعة، مما يشير إلى أنه رغم معرفة عوامل الخطر، إلا أن اللحظة الفعلية للوفاة تتأثر بمتغيرات كثيرة لا يمكن التنبؤ بها بحيث يمكن حصرها في معادلة واحدة. وأشار الباحثون إلى أن جراحة إعادة التروية، التي تعالج المشكلة الموضعية في الساق، لم تبدُ وكأنها تغير خطر الوفاة بسبب حدث قلبي. وهذا يعني أن إنقاذ طرف وإنقاذ حياة من أمراض القلب هما معركتان منفصلتان، وإصلاح إحداهما لا يضمن الانتصار في الأخرى.

كما تناول البحث أملاً شائعاً في الأبحاث الطبية، وهو أن الذكاء الاصطناعي قد يكتشف عوامل خطر جديدة وخفية لم يأخذها الأطباء في الاعتبار من قبل. وفي هذه الحالة، لم يجد الحاسوب أي رموز سرية؛ إذ كانت أهم المتغيرات التي حددها هي ذاتها التي يعرف الأطباء السريريين أنها حاسمة. لم يبتكر نهج التعلم الآلي معرفة جديدة، بل أكد أن الفهم الحالي لأمراض الأوعية الدموية هو فهم رصين. لقد أثبت أنه إذا جمعت قدرًا كافيًا من البيانات بطريقة منظمة ونظيفة، فإن أنماط المرض تصبح واضحة. وحقيقة أن النموذج استطاع التنبؤ بالبتر بشكل جيد تشير إلى أنه مع البيانات الصحيحة، يمكننا توقع هذه النتائج، ولكنها تظهر أيضاً أن التنبؤ بالوفاة يظل تحدياً أصعب بكثير لأن جسم الإنسان يمكن أن يفشل بطرق عديدة ومختلفة.

يمثل هذا العمل خطوة مهمة للأمام في كيفية استخدام البيانات لرعاية المرضى الذين يعانون من حالات تهدد الأطراف. فمن خلال تنظيم السجلات الصحية الإلكترونية في تنسيق معياري وإضافة تفاصيل محددة حول أمراض الأوعية الدموية، أنشأ الباحثون أداة يمكنها التعلم من تجارب ما يقرب من 180,000 شخص. إن النماذج التي بنوها ليست مثالية، وقد تم اختبارها على مرضى من نظام صحي واحد، مما يعني ضرورة التحقق منها مقابل بيانات من مستشفيات أخرى لضمان عملها في كل مكان. ومع ذلك، تقدم النتائج لمحة واعدة عن مستقبل يمكن فيه للأطباء استخدام الحكمة الجماعية لملايين السجلات المرضية لاتخاذ قرارات أفضل وأكثر تخصيصاً. وبالنسبة للمريض الذي يواجه احتمال فقدان طرفه، فإن هذا النوع من الوضوح قد يعني الفرق بين خطة علاج ناجحة وأخرى لا تعمل، مما يحول حالة عدم اليقين المرعبة إلى مسار يمكن إدارته والمضي قدماً فيه.