Development and Validation of a Machine Learning Model for Predicting Pulmonary Embolism Using Routine Clinical Features
طورت هذه الدراسة نموذج تعلم آلي من نوع "XGBoost" قابل للتفسير وتم التحقق من صحته داخلياً باستخدام ثمانية سمات سريرية روتينية للتنبؤ بالانصمام الرئوي بقدرة تمييز متوسطة، بهدف مساعدة أطباء الطوارئ في تحديد مستويات المخاطر مع تسليط الضوء على الحاجة إلى التحقق الخارجي في مجموعات سكانية أوسع وأقل انتشاراً.
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
يُعد الانصمام الرئوي انسدادًا مفاجئًا ومهددًا للحياة في الرئتين، وغالبًا ما ينتج عن جلطة دموية انتقلت من الساقين. وهو قاتل صامت لأن أعراضه، مثل ضيق التنفس أو ألم الصدر، تشبه تمامًا العديد من الحالات الشائعة الأخرى الأقل خطورة. يخلق هذا الغموض معضلة صعبة للأطباء في غرف الطوارئ؛ فمن أجل السلامة، غالبًا ما يطلبون فحصًا مقطعيًا متخصصًا يستخدم الإشعاع والصبغة للكشف مباشرة داخل شرايين الرئة. وبينما يعد هذا الفحص المعيار الذهبي للعثور على الجلطة، إلا أنه يعرض المرضى للإشعاع، ويمكن أن يجهد الكلى، كما أنه مكلف. إذا طلب الأطباء الكثير من هذه الفحوصات، فإن النظام الصحي يصبح مثقلاً، ويواجه المرضى مخاطر غير ضرورية، وإذا طلبوا القليل منها، فقد يفوتون جلطة مميتة. لعقود من الزمن، حاول الأطباء حل هذه المشكلة باستخدام قوائم مراجعة بسيطة تزن عوامل مثل العمر، أو الجراحة الأخيرة، أو تورم الساق لتخمين من يحتاج إلى فحص. ومع ذلك، فإن هذه القوائم تتسم بالجمود وغالبًا ما تغفل الطرق المعقدة التي تتفاعل بها عوامل الخطر المختلفة مع بعضها البعض.
في دراسة حديثة في مستشفى "سير رون رون شو" في الصين، سعى الباحثون لبناء طريقة أكثر ذكاءً لفرز المرضى. لقد لجأوا إلى تعلم الآلة، وهو نوع من البرامج الحاسوبية التي تتعلم التعرف على الأنماط من خلال دراسة كميات هائل من السجلات الطبية السابقة، بدلاً من اتباع مجموعة ثابتة من القواعد. أراد الفريق إنشاء أداة لا تتسم بالدقة فحسب، بل تكون بسيطة بما يكفي للاستخدام في غرفة طوارئ مزدحمة، بالاعتماد فقط على المعلومات المتاحة روتينيًا عند دخول المريض. قاموا بجمع بيانات من 519 بالغًا كان يُشتبه في إصابتهم بانصمام رئوي. ولكل شخص، سجلوا تفاصيل أساسية مثل العمر، والعلامات الحيوية، وما إذا كان لديهم تاريخ من الإصابة بالسرطان أو ارتفاع الكوليسترول، إلى جانب قياس محيط الساق للتحقق من وجود تورم. ثم استخدموا خوارزمية حاسوبية لتمحيص هذه المعلومات وتحديد أي مزيج محدد من العوامل كان الأكثر دلالة.
اختبر الباحثون ثلاث طرق مختلفة للتعلم الحاسوبي لمعرفة أيهما يمكن أن يتنبأ بوجود جلطة بشكل أفضل. كانت إحدى الطرق تقنية إحصائية تبسط البيانات عن طريق إزالة العوامل الأقل أهمية، بينما كانت الطريقتان الأخريان أنظمة أكثر تقدمًا قادرة على إيجاد روابط دقيقة وغير خطية بين المتغيرات. وبعد تدريب هذه الأنظمة على 70 بالمائة من بيانات مرضاهم، اختبروها على الـ 30 بالمائة المتبقية، والتي لم ترها الحواسيب من قبل. وأظهرت النتائج أن الطريقة الأكثر تقدمًا، والمعروفة باسم "XGBoost"، أدت بشكل جيد تمامًا مثل الطريقة الإحصائية الأبسط، حيث حددت وجود أو غياب الجلطة بنسبة 76 بالمائة تقريبًا. وفي إعداد محدد تم اختياره للموازنة بين رصد أكبر عدد ممكن من الحالات الحقيقية وتجنب الإنذارات الكاذبة، حددت الطريقة بشكل صحيح 74 بالمائة من المرضى الذين يعانون بالفعل من انصمام رئوي. كما استبعدت الحالة بشكل صحيح في ثلثي المرضى الذين لم يعانوا منها. يشير هذا المستوى من الدقة إلى أن الأداة يمكن أن تساعد الأطباء في تحديد المرضى الذين يحتاجون حقًا إلى فحص مقطعي وأولئك الذين قد يكون من الآمن مراقبتهم دون تعرض للإشعاع.
ولضمان أن الكمبيوتر لا يقوم بمجرد التخمين، استخدم الباحثون تقنية تسمى "SHAP" لفتح "الصندوق الأسود" للخوارزمية ومعرفة كيف اتخذت قراراتها بالضبط. كشف هذا التحليل أن الكمبيوتر كان يولي اهتمامًا كبيرًا لأكثر الأدلة منطقية؛ حيث كان العامل الأهم الذي استخدمه النموذج هو محيط ساق المريض؛ إذ كان الساق المتورم، الذي يشير إلى احتمال وجود جلطة دموية في الطرف، هو أقوى إشارة على احتمال انتقال جلطة إلى الرئتين. وكان العامل الثاني الأكثر أهمية هو مستوى مادة في الدم تسمى "D-dimer"، والتي ترتفع عندما يحاول الجسم تكسير الجلطة. والثالث كان تاريخ الإصابة بالسرطان. ومن المثير للاهتمام أن النموذج لاحظ أيضًا أن المرضى الذين يعانون من قلة الحركة أو ارتفاع الكوليسترول معرضون للخطر، رغم أن العلاقة مع قلة الحركة كانت معقدة وتطلبت تفسيرًا دقيقًا. ومن خلال التركيز على هذه السمات الثماني الروتينية، أظهر النموذج أن التنبؤ المتطور يمكن أن يتم دون الحاجة إلى اختبارات طبية نادرة أو يصعب الحصول عليها.
يشير المؤلفون بحذر إلى أن عملهم هو نقطة انطلاق وليس حلاً نهائيًا. فقد أُجريت الدراسة في مستشفى واحد كبير يستقبل العديد من المرضى المعرضين لمخاطر عالية، مما يعني أن المجموعة التي درسوها كانت لديها معدل أعلى بكert من الانصمام الرئوي مقارنة بعامة السكان. وبسبب هذا، قد يتصرف النموذج بشكل مختلف في عيادة مجتمعية صغيرة حيث يقل عدد الأشخاص المصابين بالمرض فعليًا. ويؤكد الباحثون أن أداتهم مصممة لدعم حكم الطبيب، لا لاستبداله. إنها تهدف إلى مساعدة فرز المرضى، مما قد يجنب الكثيرين الفحوصات غير الضرورية مع ضمان رصد الحالات الأكثر خطورة بسرعة. وقبل أن يتمكن هذا النظام من العمل في المستشفيات حول العالم، يجب اختباره على مجموعة أكبر وأكثر تنوعًا من الناس لإثبات أنه يعمل بموثوقية في كل مكان. وفي الوقت الحالي، تقدم الدراسة لمحة واعدة عما يمكن أن تفعله الملاحظات السريرية البسيطة واليومية، عند تحليلها بواسطة الحواسيب الحديثة، لجعل رعاية الطوارئ أكثر أمانًا وكفاءة للجميع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.