يُعد ارتفاع ضغط الدم من أبرز المشكلات الصحية العالمية، إذ يسهم بصورة كبيرة في أمراض القلب والأوعية الدموية والأمراض الدماغية الوعائية وأمراض الكلى، ويواجه المرضى المصابون بارتفاع ضغط الدم في الحالات الحرجة مخاطر متزايدة من المضاعفات والوفاة، ولذلك يُعد التنبؤ المبكر والدقيق بالوفيات لدى هذه الفئة ضروريًا للتدخل في الوقت المناسب وتحسين النتائج، وتوفر أساليب التعلم الآلي والتعلم العميق حلولًا واعدة من خلال الاستفادة من بيانات السجلات الصحية الإلكترونية عالية الأبعاد، وتهدف الدراسة الحالية إلى تطوير نماذج للتنبؤ بالوفيات داخل المستشفى وتقويم عدالتها وقابليتها للتفسير
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تطوير نماذج تعلم آلي وتعلم عميق للتنبؤ بالوفيات داخل المستشفى لدى مرضى ارتفاع ضغط الدم باستخدام مجموعة بيانات ميمك أربعة للرعاية الحرجة، وتقويم عدالة النماذج وقابليتها للتفسير، وطُوّرت أربعة نماذج للتعلم الآلي هي آلة تعزيز التدرج والانحدار اللوجستي وآلة المتجهات الداعمة والغابة العشوائية، ونموذجان للتعلم العميق هما المدرك متعدد الطبقات والذاكرة الطويلة قصيرة المدى، واستُخرجت مجموعة شاملة من السمات تشمل الخصائص الديموغرافية والقيم المختبرية والعلامات الحيوية والأمراض المصاحبة ومتغيرات العناية المركزة، ودُرّبت النماذج باستخدام التحقق المتقاطع الخماسي وقُوّمت على مجموعة اختبار مستقلة، وحُللت أهمية السمات بقيم شابلي المضافة، وقُوّمت العدالة بفرق التكافؤ الديموغرافي وفرق الاحتمالات المتساوية مع تقنيات إزالة التحيز وبدونها
ثانيًا: أبرز النتائج
1، تفوق نموذج آلة تعزيز التدرج على جميع النماذج الأخرى، إذ حقق مساحة تحت المنحنى 96.3 في المئة ودقة 89.4 في المئة وحساسية 87.8 في المئة ونوعية 90.7 في المئة ودرجة إف واحد 89.2 في المئة
2، شملت السمات الرئيسة المسهمة في التنبؤ بالوفيات درجات مقياس غلاسكو للغيبوبة ودرجات مقياس برادن ونيتروجين يوريا الدم والعمر وعرض توزيع خلايا الدم الحمراء والبيكربونات ومستويات اللاكتات
3، أظهر تحليل العدالة أن النماذج المدربة على أهم 30 سمة أظهرت فرق تكافؤ ديموغرافي وفرق احتمالات متساوية أقل، بما يشير إلى تحيز أقل، وأن طرق إزالة التحيز حسّنت العدالة في النماذج المدربة على جميع السمات لكن أثرها كان محدودًا في النماذج المعتمدة على أهم 30 سمة
ثالثًا: دلالات الدراسة وتطبيقاتها
تُظهر النتائج إمكانات قوية لنماذج التعلم الآلي في التنبؤ بالوفيات لدى مرضى الحالات الحرجة المصابين بارتفاع ضغط الدم، وتشير إلى أن اختيار السمات لا يعزز قابلية التفسير ويقلل التعقيد الحسابي فحسب، بل قد يسهم أيضًا في تحسين عدالة النماذج، وتدعم هذه الخلاصات دمج أدوات ذكاء اصطناعي قابلة للتفسير وعادلة في بيئات الرعاية الحرجة لمساعدة اتخاذ القرار السريري
وتكتسب هذه النتائج أهمية سريرية مباشرة، إذ يواجه الأطباء في وحدات العناية المركزة قرارات حرجة تحت ضغط الوقت وتعدد المتغيرات، ووجود أداة تنبؤ دقيقة وقابلة للتفسير يمكن أن يساعدهم على ترتيب الأولويات وتخصيص الموارد والتواصل مع الأسر حول التوقعات بشفافية أكبر، كما أن الاهتمام بعدالة النماذج يمثل بعدًا أخلاقيًا لا يقل أهمية عن الدقة، فالنموذج الذي يعمل بكفاءة لفئة من المرضى دون غيرهم قد يعمق التفاوتات الصحية بدل أن يعالجها، ولذلك يمثل الجمع بين الدقة والتفسير والعدالة معيارًا جديدًا لنجاح أدوات الذكاء الاصطناعي في الطب، ومعيارًا ينبغي أن تُلتزم به أي أداة قبل إدخالها إلى الممارسة السريرية الفعلية
كما تشير النتائج إلى أن اختيار السمات يمثل قرارًا تصميميًا له أبعاد أخلاقية بقدر ما له أبعاد تقنية، فعندما يعتمد النموذج على عدد أقل من السمات الأهم فإنه يصبح أسهل في الشرح والمراجعة وأقل عرضة للتحيزات الكامنة في البيانات الكثيرة، وهذا الدرس يتجاوز التنبؤ بالوفيات إلى جميع تطبيقات الذكاء الاصطناعي في الطب، حيث الشفافية ليست رفاهية بل شرط للثقة بين الطبيب والمريض والنظام الصحي
وخلاصة القول إن التنبؤ الدقيق بالوفيات يصبح أكثر فائدة سريريًا عندما يقترن بالشفافية والعدالة، وأن اختيار السمات بعناية يمثل طريقًا عمليًا نحو أدوات ذكاء اصطناعي جديرة بالثقة في الرعاية الحرجة
