Adaptive Temporal Latent Architecture using Structured Electronic Health Records: A Temporal Physiologic-State Centric Foundation Model
تقدم الورقة البحثية ATLAS-EHR، وهو نموذج تأسيسي يعتمد على التعلم الذاتي، والذي يتعلم تمثيلات قابلة لإعادة الاستخدام ومدركة زمنياً من السجلات الصحية الإلكترونية المهيكلة ليتفوق على النماذج المخصصة لمهام معينة عبر مختلف مهام التنبؤ السريري، ويُمكّن من إجراء تحليل قوي للبيانات المفقة والإشارات الفسيولوجية.
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
تولد المستشفيات نهراً مستمراً ومتدفقاً من البيانات حول كل مريض يطأ عتباتها. فمنذ لحظة وصول الشخص، تسجل الأجهزة والممرضات آلاف القياسات: معدلات ضربات القلب، وضغط الدم، والمستويات الكيميائية في الدم، وتوقيت كل جرعة دواء. هذا السجل الرقمي، المعروف باسم السجل الصحي الإلكتروني، هو أرشيف ضخم للبيولوجيا البشرية في حالة حركة. ومع ذلك، لعقود من الزمن، كانت الطريقة التي يستخدم بها الأطباء والحواسيب هذه المعلومات خرقاء. فمن أجل فهم البيانات، غالباً ما كان الباحثون يجبرون هذه التدفقات المعقدة وغير المنتظمة على الدخول في قوالب جامدة وثابتة. كانوا يأخذون تاريخ المريض بأكره ويحولونه إلى لقطة واحدة مسطحة، أو يملؤون الأرقام المفقودة بتخمينات بسيطة، مثل افتراض أن حالة المريض اليوم هي تماماً كما كانت بالأمس. وبفعلهم ذلك، تخلصوا من التفاصيل الغنية والمعقدة والجوهرية لكيفية تغير جسم المريض بمرور الوقت. لقد سعى مجال الذكاء الاصطناعي الطبي طويلاً لإيجاد طريقة لفهم هذه البيانات ليس كقائمة من الحقائق، بل كقصة مستمرة لشخص حي.
لقد اتخذ فريق من الباحثين في كليفلاند كلينك خطوة كبيرة نحو حل هذه المشكلة بنظام جديد أطلقوا عليه اسم ATLAS-EHR. فبدلاً من محاولة إجبار بيانات المريض على الدخول في جدول ثابت، بنوا نموذجاً يتعلم فهم حالة المريض وهي تتطور، لحظة بلحظة. تخيل صحة المريض كمشهد طبيعي معقد ومتغير حيث ترتفع وتنخفض قياسات مختلفة معاً. قام الباحثون بتدريب نظامهم على ملايين السجلات الحقيقية للمرضى من قاعدة بيانات عامة تسمى MIM-IV. لم يحفظ النظام أمراضاً أو نتائج محددة، بل تعلم بدلاً من ذلك النظر إلى مجموعة من القياسات المأخوذة في نفس الوقت، وفهم كيفية ارتباطها ببعضها البعض، ثم استخدام هذا الفهم للتنبؤ بما قد يكون عليه قياس مفقود. الأمر يشبه تعلم قواعد اللغة من خلال قراءة آلاف الجمل، بدلاً من حفظ قاموس من الكلمات. ومن خلال التركيز على العلاقات بين الأرقام بدلاً من الأرقام نفسها، تعلم النموذج تمثيلاً عميقاً ومرناً لما يمر به المريض في أي ثانية.
كانت النتائج التي حققها هذا النهج مذهلة. فعندما اختبر الباحثون النموذج عن طريق إخفاء أرقام عشوائية من سجلات المرضى ومطالبته بملئها، كان أداؤه أفضل بكثير من الطرق القياسية. وبينما فشلت التقنيات القديمة التي كانت ببساطة تنسخ آخر قيمة معروفة في التقاط الفروق الدقيقة لحالة متغيرة، استخدم ATLAS-EHR السياق المحيط لتقديم تخمين ذكي ومبني على أسس. لقد حقق مستوى من الدقة قلل معدل الخطأ بأكثر من النصف مقارم بأفضل الأساليب الموجودة. والأهم من ذلك، أن النظام عرف متى كان غير متأكد؛ إذ استطاع الإشارة إلى أن قطعة المعلومات المفقودة كانت صعبة التخمين لأن البيانات المحيطة كانت شحيحة للغاية، مما قدم تحذيراً مدمجاً منع ارتكاب حقائق زائفة. وهذه القدرة على قياس مدى عدم اليقين الخاص به هي ميزة سلامة حيوية لأي أداة تُستخدم في الطب.
ربما كانت النتيجة الأكثر قوة هي أن هذا الفهم الواحد المتعلم لحالات المرضى يمكن تطبيقه على العديد من الأسئلة الطبية المختلفة دون الحاجة إلى إعادة تدريبه من الصفر. فقد أخذ الباحثون "الدماغ" الأساسي للنموذج وجمدوه، ثم ألحقوا به أدوات بسيطة وخفيفة الوزن لحل سبعة مشكلات مختلفة، تتراوح بين التنبؤ باحتمالية وفاة المريض في المستشفى إلى تقدير مدة إقامته. وفي ست من هذه المهام السبع، تفوق النموذج على أفضل الأدوات المتخصصة المستخدمة حالياً في المستشات. لقد كان قادراً على التمييز بين أنواع مختلفة من الأمراض والتنبؤ بالنتائج بدقة أكبر من النماذج التي بُنيت خصيصاً لتلك المهام المنفردة. وهذا يشير إلى أن النموذج قد تعلم لغة عالمية للفيزيولوجيا البشرية تنطبق على العديد من الأمراض المختلفة.
كما اختبر الفريق ما إذا كانت هذه المعرفة يمكن أن تنتقل إلى مستشفى آخر. فقد طبقوا النموذج المدرب على بيانات من مركز طبي رئيسي واحد على مجموعة مختلفة تماماً من المرضى من شبكة مستشفيات عبر الولايات المتحدة. وبينما لم يستطع النموذج التنبؤ بالنتائج بشكل مثالي بمفرده في هذا الإعداد الجديد، إلا أنه احتفظ بفهمه الجوهري لحالات المرضى. وعندما أعاد الباحثون تدريب الخطوة النهائية من العملية لتتناسب مع الأنماط الخاصة بالمستشفى الجديد، قفز أداء النظام بشكل كبير، ليطابق أو يتجاوز أفضل الأدوات المحلية. وهذا يشير إلى أن الأنماط الأساسية للفيزيولوجيا البشرية التي تعلمها النموذج هي أنماط قابلة للنقل ومتينة، حتى عندما تتغير طريقة جمع البيانات من مكان لآخر.
وبالتعمق في المنطق الداخلي للنموذج، وجد الباحثون أنه نظم البيانات في مجموعات متميزة تعكس البيولوجيا البشرية الحقيقية. فقد صنف النظام المرضى تلقائياً إلى حالات تشبه حالات طبية محددة، مثل الفشل الكلوي أو العدوى الشديدة، دون أن يُطلب منه البحث عن تلك الأمراض. لقد حدد أنماطاً تظهر فيها مستويات عالية من مواد كيميائية معينة في الدم باستمرار مع بعضها البعض، أو حيث يرتبط انخفاض الوعي بتغيرات محددة في التنفس. لم تكن هذه المجموعات عشوائية؛ بل كانت تتوافق مع حالات فيزيولوجية متماسكة يمكن للأطباء التعرف عليها. علاوة على ذلك، عندما اختبر الباحثون النموذج على مرضى يعانون من أمراض الكلى المزمنة أو تسمم الدم الشديد، وجدوا أن النظام اعتمد على الأدلة الطبية الصحيحة. فبالنسبة لأمراض الكلى، ركز بشدة على العلامات الكيميائية المحددة لوظائف الكلى، أما بالنسبة لتسمم الدم، فقد استند إلى مزيج أوسع من الإشارات المتعلقة بالقلب والرئتين والتمثيل الغذائي. وقد أثبت هذا أن النموذج لم يكن مجرد باحث عن طرق مختصرة أو حافظ لأنماط الأوراق الطبية، بل كان يتعلم بالفعل الإشارات البيولوجية للأمراض نفسها.
كما سلطت الدراسة الضوء على ما لا يفعله النموذج، وهو أمر لا يقل أهمية عما يفعله. فقد استبعد الباحثون عمداً المعلومات المتعلقة بما قرره الأطباء، مثل أسماء الأدوية الموصوفة أو التشخيصات المحددة المكتوبة في الملف. أرادوا للنموذج أن يتعلم فقط من الملاحظات الخام لجسم المريض. ومن خلال القيام بذلك، ضمنوا أن النموذج تعلم حالة المريض، وليس حالة استجابة المستشفى للمريض. هذا التمييز أمر بالغ الأهمية لفهم التطور الحقيقي للمرض، بمعزل عن العلاجات المطبقة عليه. لقد تعلم النموذج رؤية فيزيولوجيا المريض بوضوح، حتى عندما كان السجل الطبي غير مكتمل أو غير منتظم.
في النهاية، يشير هذا العمل إلى طريقة جديدة للتفكير في البيانات الطبية. فبدلاً من معاملة تاريخ المريض كقائمة ثابتة من الحقائق التي يتم البحث فيها عن إجابات محددة، أظهر الباحثون أنه من الممكن بناء نظام يفهم القصة المستمرة والديناميكية لحياة الإنسان. لقد تعلم النموذج رؤية الروابط بين معدل ضربات القلب، وفحص الدم، ونمط التنفس كصورة واحدة متطورة للصحة. لقد أثبت أن الآلة يمكنها تعلم ملء الفجوات في السجل الطبي بتخمينات ذكية واعية بالسياق، وأن هذا الفهم نفسه يمكن إعادة استخدامه لحل مجموعة واسعة من المشكلات الطبية. ورغم أن النظام ليس بديلاً للطبيب بعد، إلا أنه يقدم عدسة جديدة وقوية يمكن من خلالها رؤية الواقع المعقد والمضطرب والجميل للبيانات الصحية البشرية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.