Explainable Machine Learning for 30-Day Hospital Readmission Risk Prediction in Patients with Diabetes: A Comparative Analysis of Model Performance and Algorithmic Fairness

في كل عام في الولايات المتحدة، يغادر الملايين من الناس المستشفيات ليعودوا إليها مجددًا في غضون شهر واحد فقط. وبالنسبة للمرضى المصابين بمرض السكري، تعد هذه الدورة شائعة بشكل خاص، حيث يعود ما يقرب من واحد من كل أربعة مرضى لإقامة أخرى في المستشفى. ولا تقتصر حالات العودة هذه على كونها معاناة شخصية فحسب، بل تمثل عبئًا ماليًا هائلًا على نظام الرعاية الصحية، حيث تكلف مليارات الدولارات سنويًا. ولثني هذا النمط، يمكن للبرامج الفيدرالية خفض المدفوعات للمستشفيات التي تفشل في الحفاظ على معدلات إعادة إدخال منخفضة. ومع ذلك، وعلى الرغم من المخاطر العالية، غالبًا ما تفتقر المستشات إلى وسيلة موثوقة لمعرفة أي المرضى تحديدًا هم الأكثر عرضة للعودة قبل خروجهم من المستشفى. إذ يتعين على الأطباء اتخاذ هذه الأحكام بناءً على الخبرة والحدس، مع موازنة عشرات العوامل مثل عمر المريض، وتاريخه الطبي السابق، وأدويته الحالية، وكل ذلك في آن واحد.

هنا يأتي دور تعلم الآلة، ليس كبديل للحكم البشري، بل كأداة للمساعدة في فرز الضجيج. تعلم الآلة هو طريقة تتعلم بها الحواسيب التعرف على الأنماط في كميات كبيرة من البيانات دون أن يتم برمجتها صراحة بمجموعة من القواعد. وفي هذا السياق، يتمثل الهدف في بناء نظام يمكنه النظر في السجل الطبي للمريض وتقدير احتمالية زيارة المستشفى مرة أخرى. ويكمن التحدي في الحجم الهائل للمعلومات المتاحة؛ إذ يمكن أن يحتوي سجل المريض الواحد على مئات النقاط البيانية المختلفة، من نتائج الاختبارات المعملية إلى نوع التأمين الذي يحمله. علاوة على ذلك، غالبًا ما تكون البيانات غير منظمة، مع وجود قيم مفقودة وعلاقات معقدة بين المتغيرات يصعب على البشر تتبعها يدويًا. وكان السؤال الذي طرحه الباحثون هو ما إذا كان بإمكان الكمبيوتر أن يتعلم رصد الإشارات الخفية للمخاطر داخل هذا التعقيد بشكل أفضل مما يمكن لقائمة مراجعة بسيطة القيام به.

قام الباحث في جامعة بنسلفانيا، زيشينج ليانغ، بمعالجة هذه المشكلة من خلال بناء واختبار عدة نماذج حاسوبية مختلفة للتنبؤ بإعادة الإدخال لمدة 30 يومًا لمرضى السكري. اعتمدت الدراسة على مجموعة ضخمة من السجلات الطبية الواقعية لأكثر من 100,000 زيارة مستشفى عبر 130 مستشفى في الولايات المتحدة، امتدت لنحو عقد من الزمن. وبعد تنظيف البيانات بعناية — عبر إزالة السجلات غير المكتملة أو غير ذات الصلة وتنظيم المعلومات في تنسيق يمكن للحواسيب فهمه — استقر الباحث على مجموعة بيانات كان فيها حوالي 11 بالمائة فقط من المرضى قد عادوا بالفعل للمستشفى. وهذا الاختلال في التوازن يعني أن الكمبيوتر يمكنه ببساطة تخمين "عدم العودة" لكل مريض وسيكون محقًا في معظم الأوقات، لكنه سيفشل تمامًا في مهمته الفعلية المتمثلة في إيجاد الأشخاص الذين يحتاجون إلى المساعدة.

ولحل هذه المشكلة، قام الباحث بتدريب أربعة أنواع مختلفة من الخوارزميات، لكل منها طريقتها الخاصة في التفكير في البيانات. أحد الأنواع، ويسمى الانحدار اللوجستي، يعمل مثل ميزان مرجح، حيث يجمع العوامل للوصول إلى قرار. والنوع الآخر، وهو شجرة القرار، يطرح سلسلة من الأسئلة بنعم أو لا لتضييق نطاق الإجابة. أما النوع الثالث، وهو الغابة العشوائية، فيجمع منطق العديد من أشجار القرار لإنشاء تنبؤ أكثر قوة. كما أنشأ الباحث ميزات جديدة لمساعدة النماذج، مثل حساب إجمالي عدد الأدوية التي يتناولها المريض أو تجميع الأكواد الطبية المعقدة في فئات أوسع مثل المشكلات "الدورانية" أو "التنفسية". ومن الأهمية بمكان أن البيانات تم تقسيمها بطريقة تحاكي الواقع: حيث تعلم النموذج من الزيارات الماضية وتم اختباره على الزيارات المستقبلية، مما يضمن قدرته على التنبؤ بما سيحدث لاحقًا بدلاً من مجرد حفظ ما حدث بالفعل.

وعند وضع النماذج قيد الاختبار، كانت النت النتائج كاشفة. لم يحقق أي من الخوارزميات دقة مثالية، وهو ما لاحظه الباحث كأمر متوقع نظرًا لصعوبة التنبؤ بالسلوك البشري والنتائج الصحية. ومع ذلك، برز نموذج الغابة العشوائية كأكثر الأدوات فعالية للهدف المحدد للدراسة. فقد نجح في تحديد حوالي 71 بالمائة من المرضى الذين أُعيد إدخالهم بالفعل، وهي نسبة أعلى بكثير من النماذج الأخرى. وبينما كانت النماذج الأخرى أفضل قليلاً في تجنب الإنذارات الكاذبة، فإن قدرة الغابة العشوائية على ضبط غالبية المرضى المعرضين للخطر جعلتها الأكثر قيمة لمستشفى يحاول منع حالات العودة. وأظهر التحليل أن العوامل الأكثر أهمية التي تقود هذه التنبؤات لم تكن مفاجئة للمتخصصين الطبيين: إذ كانت عدد مرات دخول المستشفى السابقة، وإجمالي الزيارات السابقة، والمكان الذي أُخرج إليه المريض هي أقوى المؤشرات على المخاطر.

كما بحثت الدراسة بدقة فيما إذا كانت هذه النماذج تعامل مختلف مجموعات الناس بإنصاف، بالتحقق مما إذا كانت التنبؤات تختلف بناءً على العرق أو الجنس أو العمر. وأظهرت النتائج أنه لا يوجد نموذج واحد عادل تمامًا عبر جميع المجموعات. فنموذج الغابة العشوائية، رغم كونه الأفضل في رصد المرضى المعرضين للخطر بشكل عام، أظهر فجوة أكبر في الأداء بين المجموعات العرقية المختلفة مقارنة بالنماذج الأبسط. وقد أقر الباحث بهذا المقايضة، مشيرًا إلى أنه بينما لم يكن النموذج دقيقًا بالتساوي لجميع الفئات الديموغرافية، فإن قدرته الفائقة على تحديد المرضى الذين يحتاجون حقًا إلى تدخل جعلته الخيار الأفضل للنشر، بشرط أن يظل الأطباء مدركين لهذه القيود.

في الختام، تخلص الدراسة إلى أنه على الرغم من أن تعلم الآلة لا يمكنه التنبؤ بالمستقبل بدقة تامة، إلا أنه يمكن أن يعمل كمساعد قوي. فالنظام المقترح لن يتخذ القرارات نيابة عن الأطباء، بل سيوفر قائمة مرتبة للمرضى، يسلط الضوء على أولئك الأكثر عرضة للعودة حتى تتمكن فرق الرعاية من منحهم الأولوية في الدعم الإضافي، مثل مواعيد المتابعة أو مراجعة الأدوية. وشدد الباحث على أن هذه الأداة لا تزال قيد التطوير؛ إذ إن البيانات المستخدمة تعود إلى أواخر التسعينيات وأوائل العقد الأول من القرن الحادي والعشرين، مما يعني أنها لا تعكس الممارسات الطبية الحالية أو الظروف الاجتماعية مثل استقرار السكن. وقبل استخدام مثل هذا النظام في مستشفى حقيقي، يجب اختباره على بيانات حديثة والتحقق من صحته لضمان عمله كما هو منشود. وفي الوقت الحالي، يوضح هذا العمل أن الحواسيب يمكنها تعلم التعرف على الأنماط المعقدة للمخاطر في رعاية مرضى السكري، مما يوفر مسارًا محتملاً نحو تقليل دورة العودة إلى المستشفى، حتى وإن لم يكن المسار ممهدًا بالكامل بعد.