Pretraining on Adult ICU Data Accelerates Data Efficient AI Model Development in Critically Ill Children

تُعد المستشفيات مستودعات هائلة للتجارب الإنسانية، حيث تسجل كل نبضة قلب، وكل نفس، وكل فحص دم في تدفقات رقمية. لعقود من الزمن، حاول العلماء تعليم الحواسيب كيفية قراءة هذه التدفقات، آملين في التنبؤ متى قد تسوء حالة المريض أو متى يكون مستعداً للذهاب إلى المنزل. هذا المجال، المعروف باسم التعلم الآلي السريري، يعمل بشكل أفضل عندما يمتلك جبالاً من البيانات ليتعلم منها. والمشكلة تكمن في أن هذه الجبال ليست موزعة بالتساوي؛ فوحدات العناية المركزة للبالغين كبيرة، وممولة جيداً، وتولد كميات هائلة من المعلومات التي يمكن للباحثين الوصول إليها ودراستها. أما وحدات العناية المركزة للأطفال، حيث يُعالج الأطفال، فهي أصغر بكثير، وغالباً ما تكون متناثرة عبر مراكز متخصصة، ونادراً ما يتم مشاركة بياناتها أو يسهل الوصول إليها. وهذا يخلق وضعاً صعباً: كيف تبني برنامجاً حاسوبياً ذكياً لمساعدة الأطفال المرضى بينما لا تملك ما يكفي من الأمثلة عن الأطفال المرضى لتعليمه؟

أحد الحلول المحتملة هو تقنية تسمى "التعلم بنقل المعرفة" (transfer learning). تخيل طالباً قضى سنوات في دراسة تاريخ بلد ما، ثم يحاول تعلم تاريخ بلد مجاور؛ لا يمكنه ببساطة نسخ ملاحظاته القديمة، لأن التواريخ والأحداث مختلفة، لكن يمكنه استخدام فهمه لكيفية صعود وسقوط الإمبراطوريات، أو كيف تشكل الجغرافيا السياسة، ليتعلم التاريخ الجديد بشكل أسرع بكثير من شخص يبدأ من الصفر. في عالم الذكاء الاصطناعي، يعني هذا أخذ نموذج تعلم بالفعل من مجموعة بيانات ضخمة من المرضى البالغين واستخدام تلك المعرفة كنقطة انطلاق لتعلم المزيد عن الأطفال. السؤال الكبير الذي واجه الباحثين هو ما إذا كانت هذه الطريقة المختصرة تعمل حقاً. هل يفهم الكمبيوتر حقاً الأنماط الكامنة وراء المرض بما يكفي لمساعدة الأطفال، أم أن الاختلافات بين البالغين والأطفال كبيرة جداً بحيث لا يستطيع النموذج جسرها؟

وضع فريق من الباحثين من "إمبريال كوليدج لندن" وعدة مستشفيات بريطانية حداً لهذا التساؤل من خلال اختبار حدود هذا النهج. بدأوا بمجموعة بيانات ضخمة تضم أكثر من 71,000 إقامة مريض بالغ في العناية المركزة من الولايات المتحدة، وهي مورد معروف باسم MIMIC-IV. قاموا بتدريب نماذج حاسوبية على بيانات البالغين هذه لأداء ست مهام محددة: التنبؤ بما إذا كان المريض سيموت، ومدة بقائه في المستشفى، وما إذا كان سيصاب بإصابة كلوية، وما إذا كان سيصاب بتعفن الدم (الإنتان)، ومدى كفاءة عمل كليتيه، وما إذا كان مستعداً للفصل عن جهاز التنفس الاصطناعي. وبمجرد تدريب هذه النماذج، نقلها الباحثون إلى ثلاث وحدات عناية مركزة مختلفة للأطفال في المملكة المتحدة، والتي ضمت معاً بيانات لحوالي 17,700 طفل.

كان الاختبار الأول هو معرفة ما سيحدث إذا استخدموا ببساطة نماذج البالغين المدربة على الأطفال دون أي تعديل إضافي. يُعرف هذا بـ "النشر الصفري" (zero-shot deployment)، حيث يحاول الكمبيوتر تطبيق معرفته بالبالغين مباشرة على الحالة الجديدة. كانت النتائج واضحة ومخيبة للآمال؛ فقد فشلت النماذج في الأداء بشكل جيد. فعند التنبؤ بالوفاة، كانت نماذج البالغين أقل دقة بكثير من النماذج التي تم تدريبها خصيصاً على بيانات الأطفال. كما ارتكبت أخطاءً جسيمة في التنبؤ بتعفن الدم ومشاكل الكلى. في الواقع، كانت النماذج واثقة جداً في إجاباتها الخاطئة لدرجة أنها تنبأت غالباً بخطر مرتفع للوفاة لأطفال كانوا في حالة جيدة فعلياً. أظهر هذا أنه لا يمكنك ببساطة أخذ نموذج مبني للبالغين وتوقع نجاحه مع الأطفال؛ فالاختلافات البيولوجية كبيرة جداً بحيث لا يمكن تجاهلها.

ومع ذلك، لم تنتهِ القصة عند هذا الحد. طرح الباحثون بعد ذلك سؤالاً أكثر دقة: إذا بدأت بالنموذج الخاص بالبالغين ولكن سمحت له بعد ذلك بالتعلم من كمية صغيرة من البيانات المحلية للأطفال، فهل سيصبح أفضل؟ اختبروا ذلك عبر أخذ نموذج البالغين المدرب ثم "ضبطه بدقة" (fine-tuning) باستخدام 100 سجل مريض من الأطفال فقط. وقارنوا ذلك بتدريب نموذج جديد تماماً من الصفر باستخدام نفس الـ 100 سجل. كان الفرق مذهلاً؛ فالنموذج الذي بدأ بمعرفة البالغين ثم تكيف مع الأطفال تفوق بشكل ملحوظ على النموذج الذي بدأ من لا شيء. في كل مهمة وفي كل موقع مستشفى، كان النموذج الذي حصل على "بداية بالمعرفة" من البالغين أكثر دقة. فعلى سبيل المثال، عند التنبؤ بالوفاة، كان التفوق كبيراً، حيث أظهر النموذج المتكيف قدرة أوضح بكثير على التمييز بين المرضى الذين سينجون وأولئك الذين لن ينجوا.

كما نظر الباحثون فيما يحدث مع زيادة البيانات. فبينما زادوا عدد سجلات الأطفال من 100 إلى المجموعة الكاملة التي تضم الآلاف، تقلصت الفجوة بين النهجين. وهذا منطقي؛ فإذا كان لديك ما يكفي من البيانات، يمكنك تعليم نموذج جديد كل ما يحتاج لمعرفته دون مساعدة. لكن النتيجة الرئيسية كانت أن "التدريب المسبق" على البالغين سمح للنموذج بالوصح إلى مستوى عالٍ من الأداء بعدد أقل بكثير من الأمثلة للأطفال. وفي كثير من الحالات، كان النموذج الذي بدأ بمعرفة البالغين وتعلم من بضع مئات من الأطفال يؤدي بنفس كفاءة نموذج تم تدريبه من الصفر باستخدام آلاف الأطفال. وهذا يشير إلى أنه بالنسبة للمستشفيات التي تمتلك كميات صغيرة جداً من البيانات، فإن استخدام معرفة البالغين كأساس هو وسيلة قوية للبدء.

بحثت الدراسة أيضاً في ماهية الشيء الذي يحتاجه الكمبيوتر بالضبط ليجعل هذا الأمر يعمل. وجدوا أن مجرد تعديل الأرقام التي يستخدمها الكمبيوتر لقياس المرضى (مثل كيفية حسابه لمتوسط ضغط الدم) لم يكن كافياً لحل المشكلة. كان الكمبيوتر بحاجة فعلياً لإعادة تعلم العلاقات بين نقاط البيانات. عندما قام الباحثون بتجميد الجزء الذي يتعرف على الأنماط في الكمبيوتر وتدريب طبقة اتخاذ القرار النهائية فقط، تحسن النموذج بشكل كبير، واستعاد معظم الدقة المفقودة. يشير هذا إلى أن نموذج البالغين قد تعلم أنماطاً مفيدة حول كيفية استجابة الجسم للإجهاد والمرض، لكنه احتاج إلى إعادة التدريب لتطبيق تلك الأنماط على السياق المحدد لجسم الطفل.

في النهاية، يوفر البحث مساراً واضحاً لتطوير الذكاء الاصطناعي في رعاية الأطفال. فهو يوضح أنه بينما لا يمكنك ببساب "نسخ ولصق" نموذج للبالغين لإنقاذ طفل، يمكنك استخدام نموذج البالغين كمنصة انطلاق قوية. ومن خلال البدء بالمعرفة الواسعة للعناية المركزة للبالغين ثم تكييفها بعناية مع البيانات المحلية للأطفال، يمكن للمستشفيات بناء أدوات دعم القرار الفعالة بشكل أسرع وببيانات أقل بكثير مما قد يتطلبه الأمر لولا ذلك. تؤكد الدراسة أن هذا النهج هو الأكثر قيمة حيث تكون البيانات نادرة، مما يوفر وسيلة لجلب الذكاء الاصطناዊ المتقدم إلى المراكز المتخصصة الصغيرة التي قد تُترك خلف الركب لولا ذلك. إنها تذكير بأنه في السعي لمساعدة المرضى الأكثر حرجاً، يمكننا أحياناً التعلم من تجارب الآخرين، بشرما كنا مستعدين للقيام بالعمل اللازم لفهم الاختلافات.