إعادة الإدخال إلى المستشفى: أداء نماذج تعلم الآلة مقارنة بالانحدار اللوجستي ومؤشر ليس في التنبؤ خلال ثلاثين يومًا

تُعد إعادة إدخال المرضى إلى المستشفى بعد خروجهم بوقت قصير من أهم مقاييس جودة الرعاية الصحية، لما تحمله من آثار مباشرة في نتائج المرضى وفي كلفة الأنظمة الصحية معًا، وتستخدم المستشفيات تقليديًا نماذج انحدار لوجستي للتنبؤ بخطر إعادة الإدخال وتصنيف المرضى بحسب خطورتهم، ومنها مؤشر ليس المبني على مدة الإقامة ونوع الدخول ومؤشر الأمراض المصاحبة والزيارات الحديثة لأقسام الطوارئ، غير أن دقة هذه النماذج التقليدية قد تحدها علاقات غير خطية وتفاعلات معقدة بين المتغيرات السريرية لا تلتقطها المعادلات الخطية، وهو ما يفتح الباب أمام تساؤل متكرر في الأدبيات حول ما إذا كانت نماذج تعلم الآلة غير الخطية تتفوق فعلًا على الأساليب التقليدية في هذا المجال

وتفيد هذه الدراسة الباحثين العرب وطلاب الدراسات العليا في المعلوماتية الصحية وإدارة المستشفيات بدرس منهجي رصين مفاده أن التعقيد الخوارزمي وحده لا يضمن تنبؤًا أفضل، وأن بناء نماذج تنبؤ قابلة للتطبيق السريري يتطلب موازنة دقيقة بين الدقة وقابلية التفسير وجودة البيانات المتاحة في السجلات الطبية الفعلية

أولًا: أهداف الدراسة ومنهجيتها

قارنت الدراسة الأداء التنبؤي لنماذج تعلم آلة غير خطية بالانحدار اللوجستي المتدرج وبمؤشر ليس في التنبؤ بإعادة إدخال مرضى الطب الباطني العام خلال ثلاثين يومًا من الخروج، وحللت بأثر رجعي حالات دخول البالغين إلى قسم الطب الباطني العام في مستشفى تعليمي من المستوى الثالث في أستراليا خلال الفترة بين يوليو من عام 2022 ويونيو من عام 2023، واستُخرج اثنان وثلاثون متغيرًا من السجلات الطبية الإلكترونية شملت البيانات الديموغرافية والأمراض المصاحبة والاستخدام السابق للرعاية الصحية والوضع الاجتماعي والاقتصادي ونتائج المختبر وقياس الهشاشة بدرجة خطر الهشاشة بالمستشفى، وشملت النماذج المتنافسة الانحدار اللوجستي المتدرج وأربعة خوارزميات لتعلم الآلة هي الانكماش والاختيار بأقل قيمة مطلقة المعروف بلاسو، والغابات العشوائية، وتعزيز التدرج الأقصى المعروف بإكس جي بوست، والشبكات العصبية الاصطناعية، وقيس الأداء بالمساحة تحت المنحنى مع مقارنات إحصائية باختبار ديلونغ

ثانيًا: أبرز النتائج

1، من بين 5371 حالة دخول، انتهت 1024 حالة بإعادة إدخال خلال ثلاثين يومًا بنسبة قدرها 19.1 في المئة، أي نحو حالة من كل خمس حالات

2، كان المرضى المعاد إدخالهم أكبر سنًا وأكثر هشاشة وأكثر إصابة بأمراض مصاحبة وأدنى في الوضع الاجتماعي والاقتصادي مقارنة بغير المعاد إدخالهم

3، حدد الانحدار اللوجستي أهم المتنبئات بإعادة الإدخال وهي فشل القلب وإدمان الكحول والإقامة في دور الرعاية وحالات الدخول السابقة، وحقق مساحة تحت المنحنى قدرها 0.62

4، كان أداء الانحدار اللوجستي مقاربًا لأداء مؤشر ليس الذي حقق 0.61، ولنماذج تعلم الآلة، إذ حقق لاسو 0.63 والغابات العشوائية 0.60 والشبكات العصبية الاصطناعية 0.60 دون فروق دالة بينها

5، تفوق الانحدار اللوجستي تفوقًا دالًا إحصائيًا على خوارزمية إكس جي بوست التي حققت أدنى مساحة تحت المنحنى بقيمة قدرها 0.55

ثالثًا: دلالات الدراسة وتطبيقاتها

تخلص الدراسة إلى أن مريضًا واحدًا تقريبًا من كل خمسة مرضى في الطب الباطني العام يعاد إدخاله خلال ثلاثين يومًا، وأن الانحدار اللوجستي التقليدي كان مساويًا في أدائه لنماذج تعلم الآلة أو أفضل منها في التنبؤ بخطر إعادة الإدخال في هذه البيئة، وهي نتيجة تحمل دلالة عملية مهمة لإدارات المستشفيات ومطوري أنظمة دعم القرار، إذ تعني أن الاستثمار في نماذج أبسط قابلة للتفسير والتدقيق قد يكون أجدى من مطاردة خوارزميات معقدة لا تضيف دقة حقيقية، لا سيما حين تكون المتغيرات المتاحة في السجلات محدودة القدرة التمييزية أصلًا، ويمكن للباحثين في المستشفيات العربية الاستفادة من هذا النهج المقارن الصارم عند اختبار أي أدوات ذكاء اصطناعي قبل اعتمادها في تصنيف خطورة المرضى وتخطيط الخروج الآمن

وخلاصة القول إن هذه الدراسة تقدم تذكيرًا منهجيًا مهمًا بأن تقييم النماذج التنبؤية ينبغي أن يكون تجريبيًا مقارنًا لا انطباعيًا، وأن الأساليب الإحصائية التقليدية ما تزال تحتفظ بمكانتها في كثير من المهام السريرية، وإن التحدي الأعمق قد لا يكمن في اختيار الخوارزمية بل في تحسين جودة المتغيرات المتاحة وغنى البيانات السريرية والاجتماعية التي تتغذى عليها جميع النماذج على حد سواء