السلف في استخدام التعلم في المستشفيات الطبية في المرضى المصابين بمرض السكر

ويظل مرض السكر أحد الأمراض المزمنة الأكثر تكلفة وتعقيدا في الطب الحديث، ففي الولايات المتحدة وحدها يعيش أكثر من 37 مليون شخص مع مرض السكري، وتسهم الحالة في أكثر من 7 ملايين حالة استشفائية كل سنة، وينتهي جزء كبير من هذه الحالات من إعادة القبول في المستشفى في غضون 30 يوماً من المشاكل التي تصيب المرضى في مجال الصحة والرعاية الصحية، وتضع مراكز الرعاية الطبية ذات الأولوية في المستشفيات.

ويمكن لنماذج التعلم في مجال الآلات أن تحفر كميات كبيرة من البيانات المنظمة وغير المنظمة من السجلات الصحية الإلكترونية، وأن تحدد الأنماط الفرعية التي قد يفتقدها الخبراء البشريون، وتُجري تقييمات للمخاطر في الوقت الحقيقي، وتستكشف هذه المادة أهم التطورات في استخدام التعلم الآلي للتنبؤ بترددات المستشفيات في المرضى المصابين بمرض السكر، وتغطي التقنيات ومصادر البيانات والتحديات والاتجاهات المستقبلية التي تشكل هذا المجال الهام من مجالات الرعاية الصحية.

فهم الفحوصات في المستشفيات في مرض السكري

نطاق المشكلة

ويعاني مرض السكري من أمراض غير عادية، بل من اضطرابات في السكر تتسم بتضخم شديد، وتمتد مضاعفاته إلى نحو كل نظام عضو: أمراض القلب والأوعية الدموية (السكتة الدماغية) والمرض الرئوي (العجز عن تناول الكلى) والمرض الرئوي (الطول) والمرض العصبي (الضرر العصبي) (الضرر الحاد)(21).

لماذا طرق الفرض التقليدية قصيرة

فالأدوات التقليدية مثل مؤشر التوقيف، وكون القبول، والامتيازات، والزيارات التي تقوم بها إدارة الطوارئ، أو النتيجة التي تُعدّها المنظمة لمجموعات المرضى العامة، وغالبا ما تكون سيئة عندما تُطبَّق حصرا على الشرائح الوعائية، وتعتمد هذه الدرجات على عدد صغير من المتغيرات السريرية، وتُعاملها كعامل مستقل، وتُفترض في الواقع أن تكون قيم التعافي من الأمراض غير المعدية.

تعليم الآلات: مظلة نموذجية

وتهدف خوارزميات التعلم من الآلات إلى تعلم الأنماط مباشرة من البيانات دون اشتراط وضع برامج واضحة لقواعد القرار، وهذه القدرة تجعلها مناسبة تماماً للتنبؤ بمخاطر الارتجال في المرضى المصابين بمرض السكر، حيث يكون الحيز المتاح للمدخلات مرتفع الأبعاد، وكثيراً ما تكون العلاقات غير خطية، وتشمل المزايا الرئيسية للميل على الأساليب الإحصائية التقليدية ما يلي:

• Handling high-dimensional data:] ML models can process hundreds or thousands of input features (lab results, medications, vital signs, social determinants) without overfitting, thanks to regularization and ensemble techniques.
• Capturing non-linear interactions:] Neural networks and tree-based models automatically discover complex interactions between variables - for example, how the effect of HbA1c on readmission risk differs depending on the patient’s age and kidney function.
• Adaptability:] Models can be retrained as new data become available, allowing hospitals to continuously improve their risk prediction tools.
• Probabilistic outputs:] rather than a simple yes/no classification, ML algorithms can output a probability score, which clinicians can use to prioritize interventions.

تقنيات التعلم الرئيسية والمعرفة الرئيسية

الغابات العشوائية

وقد أصبحت غابات الرنة، وهي مجموعة من أشجار القرار، تمثل أداة عمل في مهام التنبؤ الطبي، وكل شجرة تُدرَّب على عينة مجهزة بالأحذية من البيانات، والتنبؤ النهائي هو المتوسط (للتراجع) أو التصويت بالأغلبية (للتصنيف) على جميع الأشجار، وفي تحليل أجري في عام 2023 بواسطة Jovanovic et al.[FLset:85]، تم تحديد نموذج حرجي.

أجهزة التعبئة الرئيسية

وقد كشفت عوامل زيادة تدريجية في الأشجار، حيث قامت كل شجرة بتصحيح أخطاء النموذج السابق.

الشبكات العصبية والتعلم العميق

وتحتاج نماذج التعلم العميق، ولا سيما الشبكات العصبية المتكررة وشبكات الذاكرة القصيرة الأجل الطويلة الأجل، إلى استخلاص أنماط زمنية في بيانات متتابعة مثل نتائج المختبرات والعلامات الحيوية على مر الزمن، وفي دراسة أجريت على مدى 2022 من ]Lee وآخرون، يمكن أن يكون نموذجاً للتردد على استخدام الأشعة فوق البنفسجية باستخدام نماذج قياسية تبلغ درجة الحرارة 48 ساعة.

أجهزة دعم المحرك

وتُستخدم تدابير بناء الثقة على أساس ثنائي في بعض الدراسات المتعلقة بالتنبؤ بالارتقاء، لا سيما عندما تكون مجموعة البيانات صغيرة نسبياً، ومن خلال رسم خرائط لمدخلات في مجال أرفع مستوى، باستخدام وظيفة الكينال (مثلاً، وظيفة أساس الإشعاع)، يمكن أن تجد تدابير بناء الثقة حدوداً غير خطية لاتخاذ القرارات، وفي تحليل مقارن للمرضى الصابين بالأشعة السينية من قاعدة بيانات MIMVIC-III.

النماذج الهجينة والتجمعية

ولا يوجد حلقي واحد على أفضل وجه على الصعيد العالمي، إذ أن العديد من الجهود التي بذلت مؤخراً تجمع بين نماذج متعددة لتعزيز الأداء، ومن ذلك مثلاً تجميع غابة عشوائية، وجهاز تعزيز متغير، ونموذج تراجع لوجستي يمكن أن يؤدي إلى تحسين مركز الاتحاد الأفريقي بنسبة 1-3 نقاط مئوية على أي نموذج فردي، وثمة اتجاه آخر مستجد يتمثل في استخدام الشبكات العصبية الثورية الكونغولية على البيانات المنظمة، وإن كان ذلك يغير من سمات البحث

مصادر البيانات والهندسة النسائية

السجلات الصحية الإلكترونية

وتشمل أهم نماذج التنبؤ بحجم القراء، ومجالات البيانات المهيأة، الخصائص الديمغرافية (العمر، الجنس، العرق)، ومعلومات القبول (المصدر، نوع الخدمة، طول فترة الإقامة)، والتشخيصات (رمز ID-10 لمضاعفات السكري، والامتيازات)، والإجراءات (الزيادات، والأشعة تحتية)، والأدوية (النظريات، ونتائج المختبرات، والمواد الكيميائية)

العوامل الاجتماعية والاقتصادية والمؤثرات السلوكية

وإذ يدرك الباحثون أن عمليات القراء تُدفع بأكثر من المتغيرات السريرية، فقد أدمجوا محددات اجتماعية للصحة، كما أن بيانات مثل متوسط دخل الأسر المعيشية، ومستوى التعليم، ونوع التأمين (Medicaid vs. private)، وبعيداً عن المستشفى، وحتى استقرار الإسكان يمكن أن تحسن أداء النموذج بشكل كبير.() وقد تبين من دراسة أجريت في عام 2023 في Diabetes الرعاية أن عدد المستفيدين من الخدمات الطبية في حالات الطوارئ (0)

التأديب وطول الوضع

وقد اشتملت الصور المفاجئة في القبول على تطور حالة المريض، كما أن التقنيات الهندسية المميزة مثل المتوسطات المتجددة (مثلاً، الغليان الغلوكوس خلال الـ 48 ساعة الأخيرة)، والمنحدرات (معدل التغير في الكراتينين)، والتقلب (الانحراف المعياري للجليد)، ومؤشرات الاتجاهات (سواء زاد الألف ألف ألف ألف ألف أو انخفض من نماذج النسيج اليدوي السابق) قد تبين أنها نماذج تنبؤية جداً.

التوازن وإعادة أخذ العينات

وتنشأ عن هذه الفحوصات حالة نادرة نسبياً، منها 10 إلى 20 في المائة من حالات الاستيعاب، مما يخلق مشكلة اختلال في التوازن بين الفئات حيث يمكن أن تصبح نماذج التعلم الآلات متحيزة نحو التنبؤ بـ " عدم القراء " وتحقيق درجة عالية من الدقة من خلال التنبؤ بفئة الغالبية، ومن أجل التصدي لهذه الأساليب مثل نماذج التلقيم المكثف للأقليات الاصطناعية (SMOTE)، وهي نماذج التلقيم الاصطناعية.

التحديات والحدود

نوعية البيانات واكتمالها

فبيانات الموارد البشرية سيئة السمعة، إذ أن القيم المختبرية المفقودة، والتدوين غير المتسق للتشخيصات (وبخاصة مضاعفات السكري)، والدخلات الخاطئة يمكن أن تضعف الأداء النموذجي، وفي حين أن كثيراً من مقاييس اختبارات الاختلاس التي تُطلب، قد تبين وجود آليات معقدة للمرضى (مثلاً، تتعلم شركة XGBoost اتجاهات التخلف) عن التعرض للمخاطر، فإن وجودة في مسائل الاختراق.

الترجمة الشفوية والثقة

ويتردد الأطباء في التصرف على أساس درجة المخاطر إذا لم يتمكنوا من فهم السبب الذي نشأ، وكثيرا ما تكون نماذج التعلم العميق، على وجه الخصوص، عرضة للانتقاد بأنها " صناديق متنقلة " ، وتكن تقنيات مثل " SHapley Additive exPlanations " ، و " LIME " (النموذجات النموذجية القابلة للتنبؤ) قد وضعت في المقام الأول لتقديم توضيحات ذات المستويات العليا للتنبؤات الفردية.

البازلاء والجني

ومن شأن نماذج التعلم من الآلات أن تديم أو تزيد من أوجه التفاوت القائمة في مجال الرعاية الصحية، وإذا كانت بيانات التدريب تعكس أوجه التحيز النظامي - على سبيل المثال، فإن مجموعات الأقليات الممثلة تمثيلا ناقصا والتي تتلقى إدارة أقل صرامة للغلوكوز - يمكن أن يُسند النموذج مخاطرة أعلى في قبولها إلى تلك الفئات دون أساس فيزيائي، كما أن مراجعة عام 2024 لنموذج التنبؤ بالكهرباء تبين أن لديها معدلا زائفا أعلى من نماذج التدريب على المرضى ذوي المخاطر البيضاء.

دمجها في تدفقات العمل السريري

وحتى نموذج التنبؤ الدقيق تماما لا جدوى منه إذا لم يعتمده الأطباء السريريون، فقد فشلت محاولات كثيرة مبكرة لنشر أدوات التنبؤ بقراءة الانبعاثات لأن الناتج قُدم في شكل غير ملائم (مثل تقرير منفصل يتطلب قطع الأشجار في نظام آخر)، أو لأن العيادات تلقت الكثير من الإنذارات مما يؤدي إلى تنبيه المرضى، وترتبت على التنفيذات الناجحة درجات الخطر التي أدخلت مباشرة على نظام EHR مع وجود أدوات واضحة للمتابعة البصرية.

الاتجاهات المستقبلية

شرح آجال القبول السريري

وتهدف التقنيات الجديدة في مجال المعلومات المسبقة عن علم إلى سد الفجوة بين دقة النموذج والتفسير، فعلى سبيل المثال، تجبر نماذج الاختناقات المفاهيمية شبكة عصبية على التنبؤ أولا بالمفاهيم الطبية الوسيطة )مثل " التحكم في الغدة الجليدية الفقيرة " ، " الحالة الراهنة " ( قبل التنبؤ بالتنبؤ النهائي بالقابلية للقراءة، وبالمثل، يمكن للآليات القائمة على الاهتمام في بنية المحولات أن تبرز الخطوات الزمنية أو الأحداث السريرية الأكثر تأثيرا في النتيجة.

تقليدي، تنبؤات ديناميك

وبدلا من تحقيق درجة مخاطرة لمرة واحدة عند التصريف، ستستمر النظم المقبلة في تحديث التنبؤات باستخدام بيانات التدفق من أجهزة المراقبة على جانب الأسرة، والآلات الآلية المختبرية، بل والأجهزة القابلة للارتداء، وقد يتجه المريض الذي يرتفع ضغط دمه إلى الارتفاع قبل ساعات من حدوث حدث حرج، وقد أظهرت دراسة تجريبية أجريت في مركز للرعاية الثالثة في عام 2025 أن نموذجا ديناميا يستخدم تحديثات للساعة يقلل من القراءة بنسبة 12 في المائة.

تعدد الوسائط وبث البيانات

فإدماج مختلف مصادر البيانات - بيانات EHR، والتصوير الطبي )مثل المسح الرجعي للمرض الرئوي(، والجينوميا، والبيانات الصحية التي تولدها المرضى )القابلات للذوبان( يمكن أن توفر نظرة شاملة لمخاطر المريض، وعلى سبيل المثال، فإن نموذجا يجمع بين اتجاهات الإصابة بفيروس HbA1c ونماذج متزامنة متبادلة باستمرار.

التعليم الموحد للتعاون في مجال الحفاظ على الخصوصية

ومن الأهداف الرئيسية تدريب نماذج التدريب القوية في مختلف المستشفيات دون تقاسم بيانات المرضى الحساسة، إذ يقوم النظام الموحد بتدريب نموذج عالمي من خلال تجميع نماذج نموذجية محلية من كل مؤسسة، بحيث لا تترك البيانات الأولية أبداً جدار الحماية الذي توفره المستشفى، ويمكن لهذا النهج أن يحسن بدرجة كبيرة من قابلية الاسترشاد بالنموذج النموذجي الذي يتم تدريبه على البيانات الواردة من 50 مستشفياً تغطي فئات سكانية متنوعة، وسيؤدي هذا النموذج إلى تحسين أداءه في موقع جديد مقارنة بنموذج مدرَّب على البيانات من مستشفى حضري واحد.

التدخلات الشخصية

والهدف النهائي ليس مجرد التنبؤ بالوقاية ولكن الوقاية، ويمكن أن تقترن نماذج التعلم في مجال الآلات بأدوات دعم القرار التي توصي باتخاذ إجراءات مصممة حسب العناصر الأساسية للمخاطر، وبالنسبة للمريض الذي يُحتمل أن يُحدِّد خطره الشديد من العزلة الاجتماعية، قد يقترح النظام زيارة صحية منزلية أو دعوة من عامل صحي في المجتمع المحلي؛ وبالنسبة لمريض ذي نظم إنسولين غير مستقرة، يمكن تحديد موعد لإجراء العلاج بالأدوية بقيادة صيدلانية([0]).

خاتمة

فالتعليم الصاخب هو ثورة التنبؤ بانبعاثات المستشفيات في المرضى المصابين بمرض السكر، والانتقال إلى ما هو ثابت، وحجم واحد يناسب جميع درجات المخاطر إلى تقييمات دينامية وشخصية ومتزايدة الدقة، وتدفع التقدم في تعزيز مستويات الرعاية الصحية، والتعلم العميق، والأساليب المجمعة إلى الحد الممكن، بينما تظل مصادر أفضل للبيانات من مجالات الرعاية الصحية المنظمة إلى نماذج غير مهيكلة وذات نوعية جيدة.