A Comparative Machine Learning Analysis of Neural Networks and XGBoost for Predicting Maternal Mortality in Maiduguri, Nigeria

في أجزاء كثيرة من العالم، تكون رحلة الحمل محفوفة بالمخاطر، حيث يمكن لمضاعفة واحدة أن تحول لحظة الترقب إلى مأساة. وفي البيئات ذات الموارد المحدودة، ولا سيما في المناطق المتضررة من النزاعات، غالباً ما تكون القدرة على التنبؤ بمن هي معرضة لخطر الوفاة أثناء الولادة محدودة بسبب نقص البيانات والتعقيد الشديد للبيولوجيا البشرية. لعقود من الزمن، اعتمد الأطباء على الأساليب الإحصائية القياسية لوزن عوامل مثل عمر الأم، وتاريخ ولاداتها السابقة، وقدرتها على الوصول إلى الرعاية. هذه الأساليب مفيدة، لكنها غالا ما تكافح لرؤية الطرق المعقدة وغير الخطية التي تتفاعل بها هذه العوامل. وفي السنوات الأخيرة، ظهر جيل جديد من الأدوات من مجال علوم الحاسوب، قادرة على إيجاد أنماط خفية في كميات هائلة من المعلومات. اثنتان من أقوى هذه الأدوات هما الشبكات العصبية الاصطناعية، التي تحاكي الطريقة التي يربط بها الدماغ البشري الأفكار، وآلات تعزيز التدرج (gradient boosting machines)، التي تبني التنبؤات من خلال التعلم من سلسلة من الأخطاء الصغيرة والمتتالية. والسؤال الذي يواجه مسؤولي الصحة العامة هو ما إذا كانت هذه الأدوات الرقمية المتقدمة يمكن أن تساعد حقاً في إنقاذ الأرواح في أكثر البيئات صعوبة، أم أنها ببساطة معقدة للغاية بالنسبة للبيانات المتاحة.

في مدينة Maiduguri بـنيجيريا، وهي مدينة متأثرة بالنزاع حيث تجعل انعدام الأمن والنظام الصحي الهش من رعاية الأم أمراً يمثل صراعاً يومياً، شرع باحثان في اختبار هذه الأدوات الرقمية مقابل الواقع الفعلي للسجلات الطبية المحلية. لقد جمعا معلومات من 158 امرأة تلقين الرعاية في مستشفيات مختارة في المدينة. كان الهدف واضحاً: معرفة ما إذا كان بإمكان الحاسوب النظر في التاريخ الصحي للمرأة والتنبؤ بشكل صحيح بما إذا كانت ستنجو من الولادة أم لا. قارن الفريق بين نهجين مختلفين. استخدم أحد النهجين شبكة عصبية اصطناعية، وهي نوع من البرامج التي تتعلم من خلال ضبط الروابط بين الطبقات الرقمية، تماماً مثل الطالب الذي يصقل فهمه لموضوع ما من خلال الممارسة المتكررة. واستخدم النهج الآخر طريقة تسمى XGBoost، والتي تعمل من خلال بناء غابة من أشجار القرار، حيث تصحح كل شجرة جديدة أخطاء الأشجار التي سبقتها، لتصل تدريجياً إلى التنبؤ الأكثر دقة.

بدأ الباحثون بمجموعة بيانات تضمنت تفاصيل مثل عمر الأم، وتعليمها، ودخلها، وعدد مرات حملها، وما إذا كانت قد عانت من مضاعفات مثل النزيف الحاد أو ارتفاع ضغط الدم. ومع ذلك، وبينما كانوا يجهزون البيانات ليتعلم منها الحاسوب، اكتشفوا خللاً حرجاً كان من شأنه أن يضلل نتائجهم تماماً. فأحد المتغيرات في سجلاتهم، والذي يحمل اسم "المراضة الشديدة" (Severe Morbidity)، تبين أنه مرآة مثالية للنتيجة نفسها. ففي كل حالة توفيت فيها امرأة، كان هذا المتغير يُسجل على أنه شديد، وفي كل حالة نجت فيها، كان يُسجل على أنه غير شديد. لو سُمح للحاسوب باستخدام هذه المعلومة، لما كان يتنبأ بالمستقبل؛ بل كان سيقرأ مفتاح الإجابة فحسب. اتخذ الباحثون القرار الصعب والضروري بإزالة هذا المتغير تماماً. كما أزالوا قطعة أخرى من البيانات كانت متطابقة لكل شخص في الدراسة، حيث لم تقدم أي معلومات مفيدة للتمييز بين الناجيات ومن لم ينجون.

بعد تنظيف البيانات وإزالة المعلومات المضللة، قام الفريق بتشغيل نماذجهم باستخدام طريقة اختبار صارمة. وبدلاً من تقسيم البيانات مرة واحدة إلى مجموعة تدريب ومجموعة اختبار، قاموا بخلط 158 سجلاً بشكل متكرر في مجموعات مختلفة، وتدريب النماذج على بعضها واختبارها على البعض الآخر، وهي عملية كرروا القيام بها مائة مرة لضمان استقرار النتائج وعدم كونها مجرد ضربة حظ. كانت النتائج مذهلة. فقد عملت كل من الشبكة العصبية الاصطعية ونموذج XGBoost بدقة استثنائية، حيث صنفا الغالبية العظمى من الحالات بشكل صحيح. كانت الشبكة العصبية أكثر دقة بشكل عام، حيث أصابت في كل الحالات تقريباً، بينما كان نموذج XGBoost فعالاً للغاية أيضاً، ولم يخطئ إلا في حالات قليلة. وقد تفوقت هاتان الأداتان المتقدمتان بشكل كبير على الطريقة الإحصائية التقليدية، التي رغم كونها جيدة، إلا أنها كانت أقل دقة.

ولكن ربما كان الأمر الأكثر أهمية من الدرجات الخام هو ما أخبر به الحاسوب الباحثين عن أسباب الوفاة. فعندما تمت إزالة المتغير المضلل، حددت النماذج مجموعة جديدة من العوامل التي دفعت خطر وفيات الأمهات. كان التنبؤ الأكثر قوة هو "تسمم الحمل" (eclampsia)، وهي حالة خطيرة تتضمن نوبات تشنج أثناء الحمل. وتلا ذلك طريقة ولادة الطفل، وعدد الولادات السابقة، وإجمالي عدد مرات الحمل، ودخل الأسرة للأم. وتوافقت هذه النتائج تماماً مع ما يعرفه الخبراء الطبيون بالفعل عن مخاطر الحمل، مما أعطى الباحثين الثقة في أن نماذجهم كانت تتعلم حقائق طبية حقيقية بدلاً من مجرد حفظ غرائب البيانات. نجحت النماذج في التقاط الطرق المعقدة التي تعمل بها هذه العوامل معاً، مما أظهر أن خطر المرأة لا يتعلق بشيء واحد فقط، بل هو مزيج من تاريخها الطبي، وظروف ولادتها، وظروفها الاجتماعية.

وعلى الرغم من هذه النتائج المثيرة للإعجاب، فقد كان الباحثون حذرين من إعلان حل المشكلة. فقد أشاروا إلى أن مجموعة البيانات كانت صغيرة جداً، حيث احتوت على 158 سجلاً فقط، وأن الدقة العالية قد تكون جزئياً بسبب تعلم الحاسوب لأنماط هذه المجموعة الصغيرة من النساء بشكل جيد جداً. ومن المحتمل أنه إذا تم اختبار النماذج على مجموعة مختلفة تماماً من النساء من مستشفى آخر أو مدينة أخرى، فقد ينخفض أداؤها. وتعد هذه الدراسة بمثابة إثبات قوي للمفهوم، حيث تظهر أن هذه الأدوات الرقمية يمكنها إيجاد أنماط ذات مغزى في البيانات المحلية، لكنها ليست حلاً نهائياً جاهزاً للاستخدام الفوري في كل عيادة. وأكد الباحثون أنه قبل الوثوق بهذه الأدوات لتوجيه القرارات المتعلقة بالحياة أو الموت في المستشفى، يجب اختبارها على مجموعات أكبر بكثير من الناس والتحقق من صحتها في بيئات مختلفة.

تخلص الدراسة إلى أنه بينما يوفر الذكاء الاصطنا artificial intelligence وعوداً كبيرة لمساعدة الأطباء في المناطق محدودة الموارد والمتضررة من النزاعات على تحديد حالات الحمل عالية المخاطر مبكراً، إلا أنه يجب استخدامه بحذر وتواضع. إن التكنولوجيا قوية، لكنها تعتمد في قوتها على جودة البيانات التي تُغذى بها ومدى الحرص على ضمان أن تكون تلك البيانات صادقة وكاملة. وبالنسبة لنساء مدينة Maiduguri، فإن الطريق إلى الأمام لا يتطلب فقط اعتماد تكنولوجيا جديدة، بل يتطلب أيضاً تحسين كيفية الاحتفاظ بالسجلات الطبية وضمان أن المعلومات المسجلة مستقلة حقاً عن النتيجة. ومع بيانات أفضل ومزيد من الاختبارات، يمكن لأدوات مثل الشبكات العصبية وتعزيز التدرج أن تصبح شركاء حيويين للعاملين في مجال الرعاية الصحية، مما يساعدهم على تخصيص الموارد الشحيحة للأمهات اللواتي يحتجن إليها أكثر، مما قد ينقذ الأرواح في بعض أكثر بيئات العالم تحدياً.