Clinical Decision-Oriented Threshold Optimization for 30-Day Readmission Prediction in Hospitalized Diabetic Patients: A Retrospective Study

تُعد المستشفيات أماكن مليئة بالنشاط المكثف، حيث يصل المرضى باحتياجات معقدة ويغادرون بخطة للتعافي. ومع ذلك، بالنسبة للعديد من الناس المصابين بمرض السكري، فإن الرحلة لا تنتهي عند باب المستشفى. إذ يعود عدد كبير منهم خلال شهر واحد، وغالباً ما يكون ذلك لأن الانتقال من رعاية المستشفى إلى الحياة المنزلية لم يكن سلساً بما يكفي. هذه الدورة من إعادة الإدخال إلى المستشفى مكلفة وخطيرة، وهي تشير إلى أن شيئاً ما قد سار بشكل خاطئ في عملية تسليم الرعاية. ولإيقاف ذلك، لجأ الأطباء والمستشفيات إلى أجهزة الكمبيوتر، حيث قاموا ببناء نماذج تنظر في تاريخ المريض للتنبؤ بمن هم الأكثر عرضة للعودة. تعمل هذه النماذج مثل التنبؤات الجوية للصحة، حيث تمسح البيانات الماضية — مثل عدد المرات التي دخل فيها الشخص المستشفى سابقاً، والأدوية التي يتناولها، وعمره — لتحديد درجة خطورة. والهدف هو تحديد الأشخاص الذين يحتاجون إلى مساعدة إضافية قبل مغادرتهم، حتى تتمكن المستشفيات من التدخل عبر المكالمات الهاتفية، أو زيارات الممرضين، أو مراجعة الأدوية.

ومع ذلك، ثمة مشكلة رئيسية لاحقت أدوات التنبؤ هذه. فمعظم نماذج الكمبيوتر مصممة لتكون "صحيحة" قدر الإمكان، مما يؤدي بها إلى تجاهل الأحداث النادرة. وبما أن معظم المرضى لا يعودون إلى المستشفى في غض-ن ثلاثين يوماً، فإن النموذج الذي يتنبأ ببساطة بأن "لا أحد سيعود" سيكون صحيحاً بنسبة تسعين بالمائة تقريباً. وهذا انتصار أجوف. ففي عالم التنبؤ الطبي، يكون النج embrace في أن تكون على صواب معظم الوقت بلا فائدة إذا فاتك القليل من الأشخاص الذين يحتاجون بالفعل إلى المساعدة. التحدي، إذن، ليس فقط بناء نموذج يرى الأنماط، بل تعليمه كيفية اتخاذ قرار ذي قيمة. وتتناول دراسة جديدة أجراها باحثون من مستشفى هاندان الأول ومستشفى كي لو التابع لجامعة شاندونغ هذا الأمر بدقة. لم يحاولوا بناء عقل حاسوبي أكثر تعقيداً؛ بل ركزوا على كيفية تفسير الإجابات التي يقدمها الكمبيوتر، مثبتين أن الطريقة التي نضبط بها "إنذار" الخطر هي أهم بكثير من الإنذار نفسه.

بدأ الباحثون بمجموعة ضخمة من السجلات الطبية من مائة وثلاثين مستشفى عبر الولايات المتحدة، تغطي ما يقرب من مائة ألف زيارة مستشفى لمرضى السكري بين عامي 1999 و2008. وقاموا بتغذية هذه البيانات في نوع موثوق ومعياري من نماذج الكمبيوتر يُعرف باسم الانحدار اللوجستي، وهو يشبه الميزان الذي يزن عوامل مختلفة لتحديد درجة نهائية. نظر النموذج في خمسة وعشرين معلومة مختلفة كانت متاحة وقت الدخول، مثل عدد مرات الإقامة السابقة في المستشفى، وعدد الأدوية، وما إذا كان المريض يستخدم الأنسولين. أدى أداء النموذج بشكل جيد في التمييز بين المرضى الذين سيعودون وأولئك الذين لن يعودوا، ولكن عندما اختبره الباحثون باستخدام القاعدة القياسية التي تستخدمها معظم برامج الكمبيوتر، كانت النتيجة فشلاً.

تخبر القاعدة القياسية، والتي تُسمى غالباً "العتبة"، الكمبيوتر بأن يطلق إنذاراً فقط إذا كانت درجة الخطورة أعلى من خمسين بالمائة. وفي هذه المجموعة المحددة من مرضى السكري، عاد حوالي أحد عشر بالمائة فقط إلى المستشفى. ولأن الحدث كان نادراً نسبياً، كانت درجات الكمبيوتر منخفضة في الغالب. وعندما طبق الباحثون قاعدة الخمسين بالمائة القياسية، صنف النموذج واحد فاصلة أربعة بالمائة فقط من المرضى كمرضى معرضين لخطر عالٍ. ومن الناحية العملية، كان هذا يعني أن الكمبيوتر يقول فعلياً إن لا أحد تقريباً سيعود. لقد كان حذراً للغاية لدرجة أنه أصبح عديم الفائدة، حيث فات معظم المرضى الذين كانوا بحاجة إلى الرعاية. أدرك الباحثون أن النموذج لم يكن معطلاً؛ بل إن القاعدة المتبعة لتحديد ما يعتبر "خطراً عالياً" كانت ببساطة خاطئة لهذا الموقف.

ولإصلاح ذلك، اختبر الفريق ثلاث طرق مختلفة لخفض عتبة الإنذار، مما يجعل الكمبيوتر أكثر حساسية للخطر. لم يغيروا "عقل" النموذج، بل غيروا فقط الإعدادات الموجودة على لوحة التحكم الخاصة به. كان النهج الأول هو "الإعداد المتوازن"، المصمم لالتقاط عدد جيد من المرضى العائدين دون تحديد الكثير من الأشخاص الذين سيظلون بصحة جيدة. خفض هذا الإعداد العتبة إلى نقطة مكنت النموذج من رصد ما يقرب من ستين بالمائة من الأشخاص الذين عادوا بالفعل، بينما ظل يحدد بشكل صحيح أن معظم الآخرين لن يعودوا. أما النهج الثاني فهو إعداد "شبكة الأمان"، المصمم لالتقاط أكبر عدد ممكن من المرضى المعرضين للخطر، حتى لو أدى ذلك إلى تصنيف بعض الأصحاء عن طريق الخطأ. رصد هذا الإعداد ثمانين بالمائة من المرضى العائدين، مما يضمن عدم تفويت عدد قليل جداً منهم، رغم أنه يتطلب من المستشفيات فحص المزيد من الأشخاص الذين تبين أنهم بخير. أما النهج الثالث فهو إعداد "الدقة"، المصمم للحالات التي تمتلك فيها المستشاتفيات موارد محدودة جداً ويمكنها مساعدة عدد قليل من الأشخاص فقط. كان هذا الإعداد صارماً للغاية، حيث صنف فقط المرضى الذين من شبه المؤكد عودتهم، ليرصد حوالي ثلاثة وعشرين بالمائة من المجموعة العائدة، لكنه ضمن أن كل من تم تحديدهم فعلياً كانوا بحاجة للمساعدة.

اختبرت الدراسة أيضاً خدعة شائعة يستخدمها علماء البيانات للتعامل مع الأحداث النادرة: وهي إخبار الكمبيوتر اصطناعياً بأن الحدث النادر أكثر شيوعاً مما هو عليه في الواقع. تُستخدم هذه التقنية، المعروفة باسم "توزين الفئات"، غالباً لإجبار النموذج على إعطاء اهتمام أكبر للمجموعة الأقلية. ومع ذلك، وجد الباحثون أن هذه الطريقة جاءت بنتائج عكسية بشكل خطير. فبينما جعلت النموذج يرصد المزيد من المرضى العائدين، إلا أنها شوهت الأرقام التي ينتجها النموذج تماماً. أصبحت الاحتمالات التي قدمها مشوهة لدر degree أنها كانت أسوأ من مجرد التخمين بناءً على المعدل المتوسط للجميع. هذه النتيجة حاسمة لأنها تشير إلى أن محاولة إجبار النموذج على موازنة البيانات هي فكرة سيئة إذا كنت بحاجة إلى درجات خطورة دقيقة. بدلاً من ذلك، فإن مجرد تعديل العتبة التي يبدأ عندها الإنذار هو الطريقة المتفوقة. فهي تحسن قدرة النموذج على إيجاد المرضى المناسبين دون كسر دقة الأرقام التي ينتجها.

عندما نظر الباحثون عن كثب فيما كان النموذج يستخدمه فعلياً لاتخاذ قراراته، ظهرت صورة واضحة. كان أقوى مؤشر وحيد لعودة المريض إلى المستشفى هو ببساطة عدد المرات التي أُدخل فيها المستشفى في العام السابق. وهذا منطقي حدسياً: فتاريخ دخول المستشفى هو إشارة قوية لصراعات صحية مستمرة. وشملت العوامل المهمة الأخرى إجمالي عدد الحالات الطبية التي يعاني منها المريض، وما إذا كانت قائمة أدويته قد تغيرت أثناء إقامته، وعمره. كان المرضى الأكبر سناً وأولئك الذين لديهم احتياجات طبية أكثر تعقيداً يُصنفون باستمرار كأصحاب خطر مرتفع. ومن المثير للاهتمام أن المرضى الذين لم يتناولوا أدوية السكري كانوا أقل عرضة للعودة، ويرجع ذلك على الأرجح إلى أن لديهم أشكالاً أخف من المرض يمكن إدارتها بالنظام الغذائي والتمارين الرياضية بدلاً من الأدوية. أكد نموذج الكمبيوتر هذه الأنماط، مبيناً أن أكثر المؤشرات موثوقية كانت غالباً هي الحقائق التاريخية الأبسط عن حياة المريض.

ثم قام الباحثون بربط هذه الإعدادات المختلفة بسير العمل الواقعي في المستشفيات لإظهار كيفية استخدامها في الممارسة العملية. إن إعداد "شبكة الأمان"، الذي يلتقط ثمانين بالمائة من المرضى العائدين، مثالي لبرنامج فحص واسع النطاق. في هذا السيناريو، قد تقوم المستشفى بإجراء مكالمة هاتفية أو إرسال تذكير لكل مريض تم تحديده. وحتى لو كانت العديد من تلك المكالمات موجهة لأشخاص لا يحتاجون إليها، فإن التكلفة منخفضة، والفائدة من التقاط القلة الذين يحتاجون للمساعدة عالية. أما الإعداد "المتوازن" فهو مثالي لبرامج الرعاية الانتقالية التي تتضمن زيارة ممرضة للمريض في منزله أو إدارة مواعيد طبية من قبل منسق رعاية. هذه البرامج تكلف أكثر، لذا تحتاج المستشفيات إلى أن تكون أكثر انتقائية، لكنها لا تزال ترغب في التقاط جزء كبير من المجموعة المعرضة للخطر. أما إعداد "الدقة" فهو الأفضل للتدخلات المكثفة والمكلفة، مثل إرسال أخصائي إلى منزل المريض أو إلحاقه ببرنامج صارم لإدارة المرض. هنا، لا تستطيع المستشفيات سوى مساعدة عدد قليل من الناس، لذا يجب أن تكون متأكدة تقريباً من أن الشخص الذي ستختاره سيستفيد حقاً.

تقدم هذه الدراسة درساً واضحاً لمستقبل التنبؤ الطبي. فأكثر نماذج الكمبيوتر تطوراً في العالم ستكون عديمة الفائدة إذا كانت قواعد استخدامها خاطئة. وبالنسبة للأحداث النادرة مثل إعادة دخول المستشفى، فإن الإعدادات الافتراضية التي تستخدمها معظم البرامج غالباً ما تكون صارمة للغاية بحيث لا تكون مفيدة. ومن خلال خفض العتبة لما يعتبر خطراً، يمكن للمستشفيات تحويل أداة راكدة إلى وسيلة عملية تنقذ الأرواح والأموال. كما تقدم الدراسة تحذيراً قوياً ضد استخدام الأساليب التي تشوه تقديرات الاحتمالات في محاولة لموازنة البيانات. بدلاً من ذلك، فإن أفضل نهج هو الحفاظ على نزاهة رياضيات النموذج وتعديل نقطة القرار لتناسب الاحتياجات المحددة للمستشفى. وسواء أرادت المستشفى إلقاء شبكة واسعة أو استهداف مجموعة محددة، فإن الحل لا يكمن في بناء كمبيوتر أذكى، بل في فهم كيفية الاستماع إلى الكمبيوتر الذي تملكه بالفعل.