Comparative Evaluation of Machine Learning Models for Heart Disease Prediction: Performance, Calibration, Threshold Selection, and Explainability
تقيم هذه الدراسة خمسة نماذج من تعلم الآلة على مجموعة بيانات "كليفلاند" لأمراض القلب، حيث وجدت أن نموذج الانحدار اللوجستي مع عتبة معايرة تبلغ 0.552 حقق أفضل أداء (دقة بنسبة 85.71% ومساحة تحت منحنى خصائص تشغيل المستقبِل تبلغ 0.939) مع تحديد الأوعية الرئيسية، ونوع ألم الصدر، ونتائج اختبار الثاليوم كمتنبئات رئيسية، رغم تأكيد المؤلفين على الحاجة إلى التحقق الخارجي قبل تعميم هذه النتائج على مجموعات سكانية متنوعة.
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
لا تزال أمراض القلب تظل السبب الرئيسي للوفاة في العالم، حيث تحصد ملايين الأرواح سنويًا، مع وقوع عبء غير متناسب على الدول منخفضة ومتوسطة الدخل. وفي العصر الحديث، يتجه الأطباء والباحثون بشكل متزايد إلى تعلم الآلة لرصد الأنماط الدقيقة في بيانات المرضى التي تشير إلى ارتفاع المخاطر قبل وقوع الأزمة. وتعمل هذه البرامج الحاسوبية كأدوات قوية لغربلة السجلات الطبية المعقدة، والبحث عن الروابط بين عوامل مثل العمر وضغط الدم ومستويات الكوليسترول للتنبؤ بمن قد يصاب بأمراض القلب. ومع ذلك، وبينما تظهر هذه الأدوات وعدًا كبيرًا، فإن قيمتها في العالم الحقيقي تعتمد كليًا على كيفية اختبارها. فالنموذج الذي يؤدي بشكل جيد مع مجموعة محددة وصغيرة من المرضى قد يفشل تمامًا عند تطبيقه على مجموعة سكانية مختلفة. ولكي تكون أداة التنبؤ مفيدة حقًا، يجب ألا تكتفي بالتخمين الصحيح في كثير من الأحيان فحسب، بل يجب أيضًا أن توفر احتمالات موثوقة وأن تعمل باستمرار عبر مختلف أنواع البشر.
وضع فريق من الباحثين من جامعات في أوغندا وفيكتوريا هدفًا لاختبار خمسة نهج مختلفة لتعلم الآلة باستخدام مجموعة معروفة من سجلات صحة القلب. لم يكن هدفهم مجرد العثور على البرنامج الحاسوبي الأكثر دقة، بل فهم كيفية سلوك هذه البرامج، وكيفية اتخاذها للقرارات، وما إذا كانت ستظل موثوقة عندما تتغير البيانات قليلاً. لقد عملوا مع مجموعة بيانات تحتوي على 303 سجلات للمرضى، يصف كل منها عمر الشخص، وضغط دمه، وكوليستروله، ومعدل ضربات قلبه، ونتائج اختبارات قلبية محددة. وقسم الباحثون هذه البيانات إلى مجموعتين: مجموعة أكبر لتعليم البرامج الحاسوبية ما يجب البحث عنه، ومجموعة أصغر ومنفصلة لاختبار مدى جودة أداء هذه البرامج على مرضى لم يسبق لها رؤيتهم من قبل. وقد ضمنوا أن يكون هذا التقسيم عادلاً، من خلال الحفاظ على نفس نسبة المرضى والأصحاء في كلتا المجموعتين.
بعد تدريب النماذج الخمسة المختلفة، وجد الباحثون أن طريقة تسمى "الانحدار اللوجستي" (logistic regression) برزت كأفضل أداء متوازن وموثوق. فقد حددت هذه الطريقة الإصابة بأمراض القلب في حوالي 85 مريضًا من بين كل 100 مريض في مجموعة الاختبار. والأهم من ذلك، أنها فعلت ذلك بدرجة عالية من الدقة، مما يعني أنها نادرًا ما صنفت الأصحاء كمرضى، كما كانت جيدة جدًا في رصد الحالات الفعلية للمرض. وبينما أظهرت نماذج أخرى، مثل "الغابات العشوائية" (random forests) و"الأشجار القرارية" (decision trees)، بعض الوعد، إلا أنها إما ارتكبت المزيد من الأخطاء في تحديد المرضى المصابين أو واجهت صعوبة في تمييزهم عن الأصحاء بنفس الفعالية. أما النموذج المعروف باسم "بايز" (Bayes)، فقد كان ممتازًا في إيجاد المرضى، لكنه كان متحمسًا جدًا لإطلاق إنذار الخطر، حيث صنف الكثير من الأصحاء خطأً على أنهم مصابون بأمراض القلب. وقد تميز نموذج الانحدار اللوجستي لأنه قدم أفضل مزيج إجمالي بين رصد المرض وتجنب الإنذارات الكاذبة.
كما بحثت الدراسة بدقة في كيفية اتخاذ هذه النماذج لقراراتها النهائية بنعم أو لا. فبشكل افتراضي، تقرر العديد من البرامج الحاسوبية أن المريض مريض إذا كان سجل مخاطره المحسوب أعلى من 50 بالمائة. واختبر الباحثون ما إذا كان تغيير نقطة القطع هذه إلى رقم أعلى قليلاً سيؤدي إلى تحسين النتائج. ووجدوا أن رفع العتبة لم يجعل النموذج أكثر دقة بشكل عام؛ بل أدى ببساطة إلى تغيير التوازن. فقد جعله النموذج أفضل قليلاً في تجنب الإنذارات الكاذبة ولكنه أصبح أسوأ قليلاً في رصد الحالات الفعلية. ويشير هذا إلى أنه بالنسبة لمجموعة البيانات هذه، كان الإعداد القياسي مضبوطًا جيدًا بالفعل، وأن مجرد تعديل الأرقام لم يحل القيود الأساسية للبيانات.
وبعيدًا عن الدقة الخام، فحص الباحثون العوامل التي اعتمدت عليها النماذج أكثر من غيرها لاتخاذ تنبؤاتها. ومن خلال خلط البيانات بشكل منهجي لمعرفة الأجزاء الأكثر أهمية، اكتشفوا أن عدد الأوعية الدموية الرئيسية المرئية في تصوير الأوعية (angiogram)، ونوع ألم الصدر المحدد الذي أبلغ عنه المريض، ونتائج اختبار جهد الثاليوم، كانت هي أكثر المتنبئات قوة. وتتوافق هذه النتائج مع المعرفة الطبية الراسخة، مما يؤكد أن النماذج الحاسوبية كانت تتعلم من الإشارات ذات الصلة سريريًا بدلاً من الضوضاء العشوائية. كما استكشفت الدراسة كيفية أداء النماذج عبر المجموعات المختلفة، ملاحظة أن النظام يعمل بشكل أفضل قليلاً بالنسبة للنساء منه للرجال، وأظهر أنماطًا مختلفة عبر الفئات العمرية، رغم أن العدد الصغير من المرضى في بعض الفئات جعل هذه الملاحظات أولية.
تضمن جزء حاسم من البحث اختبار كيفية سلوك هذه النماذج إذا تم تدريبها على المزيد من البيانات. وقد قام الباحثون بمحاكاة ذلك من خلال زيادة كمية المعلومات التي تتلقاها النماذج أثناء التدريب تدريجيًا. ولاحظوا أنه مع نمو مجموعة التدريب، أصبحت النماذج أكثر اتساقًا وموثوقية، مما يشير إلى أن الأداء الحالي كان محدودًا بالحجم الصغير للبيانات المتاحة وليس بعيب في الخوارزميات نفسها. وتخلص الدراسة إلى أنه بينما يعد الانحدار اللوجستي أقوى أداة من بين تلك التي تم اختبارها لهذه المجموعة المحددة من البيانات، إلا أن النتائج لا يمكن تطبيقها فورًا على جميع المجموعات السكانية. فالبيانات المستخدمة جاءت من مجموعة تاريخية محددة ولا تمثل المجموعات السكانية المتنوعة الموجودة في أفريقيا جنوب الصحراء الكبرى أو غيرها من المناطق. وقبل أن يمكن استخدام هذه الأدوات لتوجيه القرارات السريرية لمجموعات جديدة من الناس، يجب اختبارها على مجموعات بيانات أكبر ومستقلة تعكس التنوع الواقعي للمرضى. وحتى ذلك الحين، فإن هذه النتائج تعمل كمعيار صارم، يوضح أن التقييم الدقيق والشفافية لا يقلان أهمية عن أرقام الدقة نفسها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.