Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets

تُعدُّ فترة الحمل حدثًا فسيولوجيًا عميقًا يعمل بمثابة اختبار جهد صارم لقلب المرأة وعملياتها الأيضية. فخلال هذه الأشهر التسعة، يجب على الجسم إدارة زيادة حجم الدم، وتغير مستويات الهرمونات، والاحتياجات الأيضية للجنين المتنامي. وبالنسبة للكثيرات، تسير هذه العملية بسلاسة، ولكن بالنسبة لآخرين، فإنها تكشف عن نقاط ضعف كامنة. إذ يمكن أن تظهر حالات مثل ارتفاع ضغط الدم، أو عدم انتظام مستويات السكر في الدم، أو انخفاض مستويات الحديد في الدم، أو قد تتفاقم هذه الحالات، مما يخلق شبكة معقدة من المخاطر التي تهدد الأم والطفل معًا. وهذه المضاعفات ليست أحداثًا معزولة؛ بل غالبًا ما تكون مترابطة، ويمكن أن يشير وجودها إلى احتمالية أعلى لحدوث ولادات صعبة، أو ولادة مبكرة، أو مشاضاع صحية طويلة المدى للأم في وقت لاحق من حياتها. إن تحديد هذه المخاطر مبكرًا يتيح للأطباء التدخل، والمراقبة بشكل وثيق، وتفصيل الرعاية للوقاية من النتائج الخطيرة.

لعقود من الزمن، اعتمد المتخصصون الطبيون على عتبات محددة ومؤشرات فردية لرصد هذه الأخطار. فتقرأ القراءة التي تزيد عن رقم معين لضغط الدم، أو مستوى الجلوكوز خارج النطاق الطبيعي، كإشارة تحذير. ومع ذلك، فإن جسم الإنسان لا يتبع دائمًا قواعد بسيطة وخطية. إن التفاعل بين عمر المرأة، وزيادة وزنها، وتاريخ حملاتها السابقة، وعلاماتها الحيوية الحالية، يخلق نمطًا يصعب حصره في قائمة مراجعة واحدة. وقد أدى هذا التعقيد إلى استكشاف الباحثين لما إذا كانت الحواسيب قادرة على تعلم التعرف على هذه الأنماط غير الخطية الدقيقة بشكل أفضل من الطرق التقليدية. والأمل هو أنه من خلال تغذية كميات هائلة من البيانات السريرية في خوارزميات متقدمة، يمكن للآلات التنبؤ بمن هم الأكثر عرضة للخطر، حتى قبل أن تصبح الأعراض واضحة.

لقد وضعت دراسة حديثة هدفًا لاختبار هذه الفكرة باستخدام نهجين مختلفين: التعلم الآلي التقليدي، والنماذج اللغوية الكبيرة الأحدث والأكثر قدرة على المحادثة. بدأ الباحثون بجمع البيانات من مجموعتين متاحتين علنيًا من السجلات الصحية للأمهات. احتوت إحدى مجموعات البيانات على معلومات عامة عن النساء الحوامل، بينما ركزت المجموعة الأخرى بشكل محدد على حالة تُعرف باسم "ما قبل تسمم الحمل"، وهي اضطراب خطير يتضمن ارتفاع ضغط الدم. ولجعل هذين المصدرين المختلفين يعملان معًا، تعين على الفريق ترجمة متغيراتهما إلى لغة مشتركة؛ حيث قاموا بمواءمة قياسات مثل ضغط الدم، ومستويات الهيموجلوبين، والعمر الجنيني بحيث يعني القياس في أحد مجموعات البيانات الشيء نفسه في المجموعة الأخرى. كما قاموا بتوحيد تسميات المخاطر، عبر تجميع النساء إلى فئات ذات خطورة منخفضة، ومتوسطة، وعالية بناءً على سجلاتهن الطبية الحالية.

تضمنت المرحلة الأولى من البحث تدريب مجموعة من النماذج الحاسوبية على مجموعة البيانات الأولى. كُلفت هذه النماذج بالنظر في الملف السريري للمرأة والتنبؤ بفئة خطورتها. واختبر الباحثون أنواعًا مختلفة من الخوارزميات، بما في ذلك أشجار القرار وآلات المتجهات الداعمة، لمعرفة أي منها يتعلم الأنماط بفعالية أكبر. وبرز نموذج يُعرف باسم (HistGradientBoosting) كأقوى أداء؛ فعند اختباره مقابل البيانات التي تعلم منها، حدد مستوى الخطر بدقة تقارب 88 بالمائة. وأظهر قدرة تمييز داخلية قوية في الفصل بين المرضى المعرضين لخطر عالٍ والآخرين، مع منطقة تحت منحنى خصائص تشغيل المستقبِل بلغت 0.989، ومنطقة تحت منحنى الدقة والاستدعاء بلغت حوالي 0.974. كما حدد النموذج العوامل الأكثر أهمية، مشيرًا إلى أن المسافة إلى المستشفى، ومستويات جلوكوز الدم، وزيادة الوزن أثناء الحمل كانت محركات رئيسية في قراراته.

ومع ذلك، فإن الاختبار الحقيقي لأي أداة تنبؤ طبي ليس مدى جودة عملها على البيانات التي تدربت عليها، بل مدى جودة عملها على بيانات جديدة وغير مرئية. وهنا اتخذت الدراسة تحولًا حاسمًا؛ حيث أخذ الباحثون أفضل نموذج أداءً لديهم وطبقوه مباشرة على مجموعة البيانات الثانية، والتي جاءت من مصدر مختلف واحتوت على مرضى مختلفين. لم يقوموا بإعادة تدريب النموذج أو تعديل إعداداته، بل طلبوا منه ببساطة إجراء تنبؤات بناءً على المتغيرات الستة التي تشترك فيها مجموعتا البيانات. كانت النتائج متباينة بشكل صارخ؛ فقد انخفضت دقة النموذج بشكل كبير، حيث صنف الحالات بشكل صحيح بنسبة 39 بالمائة فقط. والأمر الأكثر إثارة للقلق هو أنه فشل في تحديد امرأة واحدة كانت في الواقع ضمن فئة الخطر العالي في هذه المجموعة الجديدة؛ فبدلاً من ذلك، صنف جميع النساء الـ 26 المعرضات لخطر عالٍ على أنهن في فئة خطر منخفض أو متوسط. هذا الفشل يشير إلى أن الأنماط التي تعلمها النموذج كانت خاصة بالمجموعة الأولى من المرضى ولم تنتقل إلى المجموعة الثانية، ويرجع ذلك على الأرجح إلى اختلاف المجموعتين في أمور جوهرية، مثل متوسط عمر الأمهات أو توقيت فحوصات الدم.

وإدراكًا منهم بأن النماذج التقليدية قد تعاني من هذا النقص في القدرة على التعميم، توجه الباحثون إلى النماذج اللغوية الكبيرة. هذه هي نفس أنواع الذكاء الاصطناعي التي يمكنها كتابة المقالات، والإجابة على الأسئلة، وإجراء المحادثات. قام الفريق بتحويل السجلات الطبية المهيكلة إلى سرديات باللغة الإنجليزية البسيطة، تصف تاريخ كل مريضة وحالتها الحالية في بضع جمل. ثم طلبوا من نموذجين لغويين مختلفين، وهما (DeepSeek) و(Qwen)، قراءة هذه القصص والتنبؤ بمستوى الخطر. كما جربوا طرقًا مختلفة من التوجيه (Prompting)، بما في ذلك إعطاء النماذج أمثلة حول كيفية حل مشكلات مشابهة قبل مطالبتها بحل مشكلة جديدة. وقد نجحت أفضل تهيئة تم اختبارها، والتي استخدمت نوعًا محددًا من "توجيه الاستدلال"، في تحديد مستوى الخطر بدقة تبلغ حوالي 58 بالمائة. ورغم أن هذا كان أفضل من أداء النموذج التقليدي على البيانات الجديدة، إلا أنه كان بعيدًا تمامًا عن الكمال. كما أظهر النموذج انحيازًا واضحًا: فقد نجح في تحديد جميع الحالات الأربع ذات الخطر العالي في المجموعة التجريبية الصغيرة، لكنه فشل في تحديد أي من الحالات منخفضة المخاطر، مما يعني أنه كان يخمن أن الجميع معرضون لخطر ما على الأقل.

كما نظر الباحثون في كيفية شرح هذه الأنظمة لقراراتها. وقارنوا بين العوامل التي اعتبرها نموذج التعلم الآلي التقليدي مهمة وبين الكلمات المفتاحية التي استخدمتها النماذج اللغوية في تفسيراتها المكتوبة. واتفق كلا النظامين على أن ضغط الدم، وسكر الدم، ومستويات الهيموجلوبين هي مؤشرات حاسمة للخطر. ومع ذلك، اختلفا في عوامل أخرى؛ حيث وضع النموذج التقليدي وزنًا كبيرًا على مدى بعد المريضة عن المستشفى ومقدار زيادة وزنها، وذلك لكونهما إشارات إحصائية قوية في البيانات. وفي المقابل، نادراً ما ذكرت النماذج اللغوية هذه العوامل اللوجستية والجسدية، وبدلاً من ذلك، ركزت بشكل أكبر على التاريخ الطبي للمريضة والمضاعفات السابقة، مستمدة ذلك من المعرفة السريرية المضمنة في تدريبها. يسلط هذا الاختلاف الضوء على الفجوة بين ما تقترحه البيانات إحصائيًا وما تجده النماذج منطقيًا من الناحية السريرية.

تخلص الدراسة إلى أنه على الرغم من أن هذه الأدوات تظهر وعودًا، إلا أنها ليست جاهزة بعد للاستخدام السريري. فقد أدى نموذج التعلم الآلي التقليدي أداءً جيدًا داخل البيئة التي بُني من أجلها، لكنه لم يستطع التكيف مع مجتمع جديد، وهو عائق شائع في الذكاء الاصطناعي الطبي. وأظهرت النماذج اللغوية الكبيرة قدرة على قراءة الملاحظات السريرية وتوليد تفسيرات مقروءة بشريًا، لكن تنبؤاتها كانت غير مستقرة ومعرضة للانحياز. ويؤكد الباحثون أن قيمة هذا العمل لا تكمن في إنتاج متنبئ واحد مثالي، بل في إظهار صعوبة نقل نموذج من مجموعة بيانات إلى أخرى. ويقترحون أنه لكي تصبح هذه التقنيات مفيدة في المستشفيات الواقعية، يجب اختبارها على مجموعات أكبر وأكثر تنوعًا من المرضى، والتحقق من صحتها مقابل النتائج الصحية الفعلية بدلاً من مجرد التصنيفات الموجودة. وحتى ذلك الحين، تظل هذه الأنظمة أدوات تجريبية يمكنها تنظيم المعلومات واقتراح الاحتمالات، لكنها لا تستطيع بعد أن تحل محل حكم الطبيب.