Cleveland Heart Disease Dataset: From Primary Data to an AI-Ready Resource.

لا تزال أمراض القلب سبباً رئيسياً للوفاة في جميع أنحاء العالم، مما يدفع الأطباء والعلماء للبحث عن طرق أفضل للتنبؤ بمن هم عرضة للخطر. وفي السنوات الأخيرة، أصبح الذكاء الاصطناعي أداة قوية لهذه المهمة، حيث يستخدم برامج حاسوبية لإيجاء أنماط في سجلات المرضى قد تغفل عنها العين البشرية. ومع ذلك، فإن هذه البرامج الحاسوبية لا تكون جيدة إلا بقدر جودة المعلومات التي تُغذى بها؛ فإذا كانت البيانات تحتوي على أخطاء، أو قطع مفقودة، أو الكثير من التفاصيل المربكة، فستكون تنبؤات الحاسوب غير موثوقة، بغض النظر عن مدى تطور البرمجيات. وهذا يخلق تحدياً حرجاً: فقبل أن يتمكن الجهاز من التعلم لتشخيص مريض ما، يجب تنظيف السجلات الطبية وتنظيمها وتجريدها من الضجيج غير الضروري.

لقد وضع فريق من الباحثين من أوكرانيا نصب أعينهم معالجة هذه المشكلة باستخدام واحدة من أشهر مجموعات سجلات أمراض القلب في العالم، والمعروفة باسم "مجموعة بيانات كليفلاند لأمراض القلب" (Cleveland Heart Disease Dataset). لعقود من الزمن، استخدم العلماء هذه المجموعة المحددة المكونة من 3ร3 سجلاً للمرضى لاختبار ومقارنة نماذج حاسوبية مختلفة. تتضمن مجموعة البيانات تفاصيل مثل العمر، وضغط الدم، ومستويات الكوليسترول، ونتائج اختبارات الجهد. وبينما استُخدمت هذه البيانات على نطاق واسع، اشتبه الباحثون في أن جودتها قد تم التغاضي عنها؛ إذ اعتقدوا أن السجلات تحتوي على معلومات مكررة وحتى بعض التصنيفات غير الصحيحة، حيث تم تحديد حالة المريض بشكل خاطئ. وبدلاً من بناء نموذج حاسوبي أكثر تعقيداً للتعامل مع هذه العيوب، قرر الفريق إصلاح البيانات نفسها. كان هدفهم هو تحويل هذه المجموعة الخام من الملاحظات الطبية إلى مورد مصقول "جاهز للذكاء الاصطناعي" يمكنه تعليم الحواسيب بفعالية أكبر.

بدأ الباحثون بفحص ثلاثة عشر نوعاً مختلفاً من القياسات الصحية المتاحة لكل مريض. وأدركوا أن ليس كل هذه القياسات متساوية في الأهمية؛ فبعض المتغيرات، مثل نوع ألم الصدر الذي يشعر به المريض أو نتيجة اختبار جهد معين، كانت تحمل وزناً أكبر بكثير في التنبؤ بأمراض القلب من غيرها، مثل ضغط الدم أثناء الراحة أو سكر الدم الصائم. ولإيجاد المعلومات الأكثر فائدة، لم يعتمدوا على طريقة واحدة، بل استخدموا فريقاً من ثمانية أدوات تقييم حاسوبية لتحديد ترتيب أهمية كل متغير. ومن خلال دمج نتائج الأدوات الثمانية جميعها، حددوا مجموعة ثابتة مكونة من سبعة سمات رئيسية توفر الصورة الأكثر وضوحاً لمخاطر المريض. أدت هذه العملية إلى تقليل تعقيد البيانات بنسبة تقارب النصف، عبر إزالة المتغيرات التي تسبب الارتباك دون إضافة قيمة.

بمجرد تبسيط البيانات، وجه الفريق اهتمامهم نحو الأخطاء. فالسجلات الطبية من الدراسات القديمة غالباً ما تحتوي على أخطاء، مثل تصنيف مريض على أنه سليم بينما كان يعاني في الواقع من أمراض القلب، أو العكس. هذه الأخطاء، المعروفة باسم "ضجيج التصنيف" (label noise)، يمكن أن تضلل الحاسوب وتجعله يتعلم دروساً خاطئة. استخدم الباحثون طريقة كشف متخصصة لفحص السجلات وإيجاد الحالات التي يبدو فيها التشخيص غير متسق مع الأعراض الأخرى. حددت الخوارزمية 49 سجلاً يُحتمل أن تكون مصنفة بشكل خاطئ، فقام الفريق بإزالة هذه المدخلات الـ 49 المشكوك فيها من المجموعة، تاركين معهم مجموعة أنظف مكونة من 254 سجلاً للمرضى. كما لاحظوا أن بعض نقاط البيانات كانت مفقودة، لكنهم اختاروا تركها بدلاً من التخمين في قيمها، واثقين من أن البرامج الحاسوبية التي يستخدمونها يمكنها التعامل مع الفجوات في المعلومات بشكل أفضل مما يمكنهم هم التعامل مع التخمينات الخاطئة.

كانت النتيجة نسخة جديدة ومبسطة من مجموعة البيانات، تحتوي على متغيرات أقل وأخطاء أقل. ولمعرفة ما إذا كانت عملية التنظيف هذه قد ساعدت بالفعل، اختبر الباحثون ثلاثة أنواع مختلفة من برامج الشبكات العصبية — وهي أنظمة حاسوبية مصممة لمحاكاة طريقة تعلم الدماغ البشري — على كل من البيانات الأصلية الفوضوية ونسختهم الجديدة المنظفة. أجروا الاختبارات مئات المرات لضمان موثوقية النتائج. كانت النتائج واضحة ومتسقة: أدت البرامج الحاسوبية أداءً أفضل بكثير عند استخدام البيانات المنظفة والمبسطة. وعبر كل مقياس للنجاح، بما في ذلك عدد المرات التي كان فيها النموذج صحيحاً ومدى قدرته على رصد الحالات عالية الخطورة، تفوقت مجموعة البيانات الجديدة على الأصلية. كان التحسن جوهرياً لدرجة أنه كان أكثر أهمية من نوع البرنامج الحاسوبي المستخدم؛ فقد كان جودة البيانات نفسها هي العامل الحاسم.

قارن الباحثون نتائجهم مع دراسات أخرى حاولت تحسين التنبؤ بأمراض القلب من خلال بناء نماذج حاسوبية أكثر تعقيداً وقوة. ووجدوا أن نهجهم في تنظيف البيانات حقق نتائج تضاهي، إن لم تكن أفضل من، تلك النماذج المعقدة. وهذا يشير إلى أنه بالنسبة لمجموعة البيانات هذه تحديداً، كان إصلاح الأساس أكثر فعالية من محاولة بناء برج أعلى. وتثبت الدراسة أن الطريق نحو ذكاء اصطناعي طبي أفضل لا يتطلب دائماً خوارزميات أكثر تطوراً؛ فأحياناً، تكون الخطوة الأكثر قوة هي ببساطة التأكد من أن المعلومات المستخدمة دقيقة، وذات صلة، وخالية من الأخطاء. ومن خلال تحويل مجموعة بيانات كليفلاند إلى مورد جاهز للذكاء الاصطناعي الحديث، قدم الفريق أداة أكثر وضوحاً وموثوقية للبحوث المستقبلية، مثبتاً أن البيانات عالية الجودة هي المحرك الحقيقي للاكتشاف الطبي.