التعلم الآلي للتنبؤ بإعادة إدخال مرضى قصور القلب إلى المستشفى: نحو مجموعة السمات المثلى

تظل معدلات إعادة إدخال مرضى قصور القلب إلى المستشفى مرتفعة الرغم من الجهود المبذولة لخفضها، إذ تمثل إعادة الإدخال عبئًا صحيًا واقتصاديًا على المرضى وأنظمة الرعاية الصحية معًا، وتوفر النمذجة التنبؤية المبنية على البيانات الضخمة فرصًا واعدة لتحديد المرضى مرتفعي الخطورة وتوجيه إدارة الرعاية إليهم قبل تفاقم حالاتهم، غير أن ضخامة قواعد البيانات قد تقيد أداء النماذج ذاته، فتعدد المتغيرات ووفرة السجلات يخلقان تعقيدًا يصعب معه استخراج إشارات تنبؤية نظيفة، ومن هنا تبرز الحاجة إلى أساليب ذكية لاختيار السمات تختزل هذا التعقيد وترفع كفاءة التنبؤ دون التضحية بثراء البيانات المتاحة على مستوى الوطن بأكمله

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى تطوير نموذج تنبؤ قائم على التعلم الآلي يوظف قاعدة بيانات استشفاء وطنية شاملة للتنبؤ بإعادة إدخال مرضى قصور القلب خلال ثلاثين يومًا من خروجهم، وإلى تحديد مجموعة السمات المثلى التي تحقق أعلى قيمة لمساحة تحت المنحنى بوصفها مؤشرًا لقدرة النموذج التمييزية، ولهذا استُخرجت بيانات المرضى من قاعدة بيانات إعادة الإدخال الوطنية لعام 2020، وطُبقت عملية اختيار سمات استدلالية تضيف المتنبئات تدريجيًا إلى نموذجي الانحدار اللوجستي والغابات العشوائية بما يحقق أقصى زيادة في مؤشر المساحة تحت المنحنى، وقُوّم الأداء التمييزي عبر الدقة والحساسية والنوعية والمساحة تحت المنحنى، مع التمييز بين إعادة الإدخال للسبب نفسه وإعادة الإدخال لجميع الأسباب

ثانيًا: أبرز النتائج

1، شملت البيانات 566019 حالة خروج بتشخيص قصور القلب، وبلغ معدل إعادة الإدخال 8.9 في المئة للحالات ذات السبب نفسه و20.6 في المئة لجميع الأسباب، وهو ما يؤكد حجم الظاهرة وعبئها على نظام الرعاية الصحية

2، تفوق نموذج الغابات العشوائية على نموذج الانحدار اللوجستي، إذ حقق مساحة تحت المنحنى قدرها 0.607 لإعادة الإدخال للسبب نفسه و0.576 لإعادة الإدخال لجميع الأسباب، محققًا قدرة تمييزية تضاهي التحليلات السابقة التي استخدمت مجموعات بيانات أصغر بكثير

3، أسفر اختيار السمات الاستدلالي عن تحديد مجموعتين مثليين ضمتا 20 متغيرًا و22 متغيرًا اختيرا من مجموعتين أصليتين قوامهما 30 سمة و31 سمة لمجموعتي بيانات السبب نفسه وجميع الأسباب على الترتيب، وكان من أبرز المتنبئات العمر وطريقة الدفع ومرض الكلى المزمن وحالة التصرف عند الخروج وعدد تشخيصات التصنيف الدولي للأمراض واللقاءات اللاحقة للرعاية

4، لوحظ أن تقليص حجم العينة عزز أداء النموذج، وهو ما يشير إلى أن تعقيد البيانات الضخمة ذاته قد يحد من كفاءة التنبؤ، وأن تقنيات محسنة مثل اختيار السمات الاستدلالي تمكن من توظيف البيانات الوطنية بفاعلية أكبر

ثالثًا: دلالات الدراسة وتطبيقاتها

تقدم هذه النتائج رؤى ذات معنى لمنهجيات النمذجة التنبؤية في الصحة الرقمية، فهي تبين أن المزيد من البيانات والسمات لا يعني بالضرورة تنبؤًا أفضل، وأن الانتقاء الاستدلالي الدقيق للمتغيرات قد يرفع الأداء ويحسن قابلية النموذج للتفسير والتطبيق السريري، كما تمنح السمات البارزة التي رصدتها الدراسة فرق إدارة الرعاية خريطة عملية لاستهداف المرضى مرتفعي الخطورة بعوامل مثل التقدم في العمر ومرض الكلى المزمن وظروف الخروج، ويمكن للمستشفيات وأنظمة الصحة العربية الاستفادة من هذا النهج في بناء نماذج تنبؤ محلية بإعادة الإدخال تستند إلى سجلاتها الوطنية، بما يدعم التخطيط للمتابعة بعد الخروج ويقلل حالات العودة القابلة للوقاية، كما تمثل الدراسة نموذجًا منهجيًا للباحثين في المعلوماتية الصحية حول موازنة ثراء البيانات الضخمة ومتطلبات كفاءة النماذج التنبؤية وشفافيتها

وتفتح هذه النتائج المجال أمام دراسات لاحقة تستكشف تقنيات أحدث لمعالجة تعقيد البيانات الصحية الضخمة وموازنة دقة التنبؤ بقابلية تفسير النموذج لدى الفرق السريرية، بما يعزز الثقة بنواتجه ويدعم تبنيه في بيئات الرعاية الفعلية

وخلاصة القول إن نموذج التعلم الآلي المقترح حقق قدرة تمييزية مضاهية للدراسات السابقة مع توظيف بيانات وطنية شاملة، وأثبت أن اختيار السمات الاستدلالي يقود إلى مجموعات مثلى أخف حجمًا وأعلى كفاءة في التنبؤ بإعادة إدخال مرضى قصور القلب، وهو ما يقدم للباحثين العرب وطلاب الدراسات العليا في المعلوماتية الصحية والذكاء الاصطناعي الطبي دروسًا منهجية قيمة في بناء نماذج تنبؤية واقعية قابلة للتطبيق في أنظمة الرعاية الصحية