Synthetic tabular healthcare data in health informatics: fixed-size substitution and incremental-value controls for predictive utility Application Paper
تُظهر هذه الدراسة أنه لا توجد فائدة منهجية في المنفعة التنبؤية من البيانات الصحية الجدولية الاصطناعية في ظل الظروف التي تم تقييمها. أظهرت المقارنات الصارمة التي تضبط حجم مجموعة التدريب وتسرب البيانات أداءً أقل للنماذج في الغالب مقارنة بمجموعات التحكم المكونة من البيانات الحقيقية فقط أو "بوتستراب-الحقيقية"، إلى جانب بعض التحسينات المحددة حسب السياق.
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. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في الطب الحديث، تُستخدم الحواسيب بشكل متزايد للتنبؤ بالنتائج الصحية ومساعدة الباحثين على فهم المخاطر الصحية. ولتعليم هذه الحواسيب، يحتاج الباحثون إلى كميات هائلة من سجلات المرضى. ومع ذلك، فإن البيانات الطبية الحقيقية شخصية للغاية ومحمية بقوانين خصوصية صارمة، مما يجعل من الصعب مشاركتها بين المستشفيات أو الفرق البحثية. ولمعالجة ذلك، طور العلماء طريقة لإنشاء بيانات "اصطناعية". تخيل آلة تقرأ آلاف السجلات الحقيقية للمرضى، وتتعلم أنماط كيفية اتصال العوامل الصحية المختلفة ببعضها البعض، ثم تكتب سجلات جديدة مولدة حاسوبياً مصممة لتشبه السجلات الحقيقية، بدلاً من وصف مرضى تمت ملاحظتهم حديثاً. ولا تزال مثل هذه السجلات تتطلب فحوصات الخصوصية. وكان الأمل هو أنه من خلال إضافة هذه السجلات الاصطناعية إلى السجلات الحقيقية، يمكن للباحثين تزويد نماذجهم الحاسوبية بمزيد من المواد التدريبية، مما يجعلها أكثر ذكاءً ودقة.
قرر فريق من الباحثين من جامعة بورتو في البرتغال اختبار ما إذا كان هذا الأمل حقيقياً بالفعل. أرادوا معرفة ما إذا كانت إضافة السجلات الاصطناعية تحسن حقاً قدرة الحاسوب على التنبؤ بالنتائج الصحية، أم أن التحسن الملحوظ قد يعكس جزئياً إعطاء الحاسوب المزيد من صفوف البيانات للدراسة. ركزوا على ثلاث مجموعات بيانات عامة مختلفة تتعلق بمرض السكري، تتراوح من المسوحات الصحية الوطنية الكبيرة إلى سجلات المستشفيات ومجموعة بيانات استبيان أصغر. وباستخدام ثلاث طرق مختلفة لتوليد البيانات الاصطناعية، أجروا سلسلة من التجارب الصارمة. في مجموعة من الاختبارات، أبقوا على العدد الإجمالي لسجلات التدريب كما هو تماماً، مع استبدال صفوف المرضى الحقيقيين بصفوف اصطناعية لمعرفة ما إذا كان تكوين البيانات يهم بشكل مستقل عن الكمية. وفي مجموعة أخرى، أضافوا صفوفاً اصطناعية إلى الصفوف الحقيقية وقارنوا النتائج بمجموعة ضابطة أعادت استخدام سجلات تدريب حقيقية موجودة تم أخذ عينات منها مع الاستبدال لمعرفة ما إذا كانت البيانات الاصطناعية تقدم أي قيمة فريدة.
كانت النتائج واضحة ومفاجئة نوعاً ما. فعندما أبقى الباحثون على العدد الإجمالي لسجلات التدريب ثابتاً واستبدلوا البيانات الحقيقية ببيانات اصطناعية، كان أداء النماذج الحاسوبية أسوأ بشكل عام. في الغالبية العظمى من اختباراتهم، كانت النماذج المدربة باستخدام بعض أو كل الصفوف الحقيقية المستبدلة ببيانات اصطناعية أقل قدرة على التمييز بين النتائج المتعلقة بالسكري مقارنة بتلك المدربة على البيانات الحقيقية فقط. وكلما زادت كمية البيانات الحقيقية التي استبدلوها ببيانات اصطناعية، انخفض متوسط الأداء أكثر. يشير هذا إلى أنه على الرغم من قدرة البيانات الاصطناعية على إعادة إنتاج الأنماط الموجودة في السجلات الحقيقية، إلا أن مجموعات التدريب المختبرة لم تحافظ باستمرار على المعلومات التي تحتاجها هذه النماذج التنبؤية. هذا الاكتشاف يتعلق بمهام التنبؤ التي تم تقييمها، وليس بالقيمة الإجمالية للبيانات الاصطناعية.
نظر الباحثون أيضاً فيما يحدث عندما تضيف ببساطة بيانات اصطناعية إلى البيانات الحقيقية الموجودة، مما يزيد الحجم الإجمالي لمجموعة التدريب. وهنا، لم توفر البيانات الاصطناعية ميزة ثابتة. في كثير من الحالات، أدى إضافة الصفوف الاصطناعية إلى جعل النماذج تؤدي بشكل أسوأ من التدريب على السجلات الحقيقية الأصلية وحدها أو إعادة استخدام تلك السجلات من خلال أخذ عينات "بوتستراب" (bootstrap sampling). وبينما كانت هناك حالات معزولة قليلة ساعدت فيها البيانات الاصطناعية نموذجاً معيناً في موقف معين، إلا أن هذه كانت استثناءات وليست قاعدة. لم تجد الدراسة أي دليل على تعزيز منهجي للقوة التنبؤية في ظل الظروف المختبرة. ومع ذلك، فإنها لا توضح سبب إبلاغ الدراسات السابقة عن تحسينات: فمقارنة مجموعات البيانات الأكبر المعززة بمجموعات البيانات الأصغر المكونة من بيانات حقيقية فقط قد تؤدي إلى خلط آثار تكوين البيانات وحجم التدريب.
يوفر هذا العمل فحصاً منهجياً هاماً لمجال المعلوماتية الصحية. فهو يوضح أن مجرد توليد المزيد من البيانات ليس حلاً مضموناً لتحسين التنبؤات الطبية. وتبرز الدراسة أن قيمة البيانات الاصطناعية تعتمد بشكل كبير على السياق المحدد ولا يمكن افتراض نفعها لمجرد أنها تزيد من حجم مجموعة البيانات. بالنسبة للباحثين والأطباء، فإن الخلاصة هي أن التحقق من صحة البيانات الحقيقية يظل أمراً ضرورياً. ورغم أن الخلطات الاصطناعية المناسبة قد تدعم التعليم أو اختبار البرمجيات عندما تكون القيود الخاصة بالمهمة مقبولة، إلا أن تلك التطبيقات لم يتم تقييمها مباشرة هنا. إن استخدام البيانات الاصطناعية لتطوير نماذج التنبؤ السريري يتطلب اختبار البيانات الحقيقية، والمعايرة، وتقييم المجموعات الفرعية، والحوكمة. تعتمد التنبؤات الصحية الأفضل على أدلة واقعية موثوقة وتقييم دقيق للبيانات المولدة، وليس فقط على كمية صفوف التدريب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.