التنبؤ بالتسريح من المستشفى لمرضى باركنسون باستخدام التعلم الآلي؛ دراسة قومية على مجموعة المرضى

لماذا يهم الخروج من المستشفى لمرضى باركنسون

بالنسبة للأسر التي تعيش مع مرض باركنسون، يثير دخول المستشفى غالبًا سؤالًا مقلقًا: هل سيتمكن قريبهم من العودة إلى المنزل، أم سيحتاج إلى الانتقال إلى دار رعاية أو يواجه مضاعفات تهدد الحياة؟ تستخدم هذه الدراسة أدوات حاسوبية حديثة لتقدير هذه الاحتمالات مبكرًا خلال الإقامة بالمستشفى، مما يمنح الأطباء والمرضى ومقدمي الرعاية وقتًا أطول للتخطيط لما سيحدث بعد ذلك.

نظرة عبر المستشفيات على مستوى البلاد

حلل الباحثون سجلات من قاعدة بيانات كبيرة للمستشفيات في الولايات المتحدة تغطي نحو ربع الدخولات على مستوى البلاد. ركزوا على أكثر من 280,000 شخص تبلغ أعمارهم 50 عامًا فما فوق تم إدخالهم إلى المستشفى بسبب مرض باركنسون بين أواخر 2017 ومنتصف 2023. لكل مريض نظروا فقط في أول إقامة له خلال تلك الفترة وجمعوا النتائج النهائية في ثلاث فئات بسيطة: العودة إلى المنزل، الانتقال إلى نوع من مؤسسات الرعاية، أو الوفاة داخل المستشفى. عاد نحو نصف المرضى إلى منازلهم، وما يقاربهم ذهبوا إلى مؤسسة رعاية، وحوالي واحد من كل أربعة عشر مات قبل التسريح.

أنماط من يعود إلى المنزل ومن لا يعود

كان الأشخاص الذين نُقلوا إلى مؤسسات الرعاية يميلون لأن يكونوا أكبر سنًا وأكثر هشاشة صحيًا من أولئك الذين عادوا إلى منازلهم. كانوا أكثر عرضة للإصابة بالخرف، وصعوبات البلع، والالتهاب الرئوي الناجم عن دخول الطعام أو السوائل إلى الرئتين، أو بكسر أو سقوط حديث. كما كانوا أكثر احتمالًا أن يكونوا غير متزوجين وأن يكونوا قد وصلوا إلى المستشفى كتحويل من مرفق رعاية آخر، وليس مباشرة من المنزل. كانت إقاماتهم بالمستشفى أطول، وتلقوا مزيدًا من العلاج التأهيلي. أما المرضى الذين توفوا داخل المستشفى فكان لديهم أعلى معدلات الخرف والالتهاب الرئوي الشديد، ما يبرز كيف تشكل الأمراض المتقدمة والمضاعفات هذه النتائج.

تعليم الحواسيب على التعرف على المخاطر

لتحويل هذه الأنماط إلى أدوات عملية، درب الفريق نماذج تعلم آلي، وهي نوع من البرامج الحاسوبية التي تتعلم من البيانات، للتنبؤ بكل واحدة من نتائج الخروج الثلاثة. باستخدام معظم الدخولات لتدريب النماذج والباقي لاختبارها، حققت البرامج دقة جيدة لجميع الفئات الثلاث. على سبيل المثال، فصل النموذج الذي يتنبأ بمن سيعود إلى المنزل تفريغ الواردين إلى المنزل عن النتائج الأخرى بصورة صحيحة حوالي ثلاثة أرباع الوقت. وأدى نموذج مماثل للانتقال إلى مؤسسة رعاية أداءً مماثلًا، ونموذج التنبؤ بالوفاة داخل المستشفى كان أفضل قليلاً. تم فحص هذه النماذج عبر فترات زمنية مختلفة وطرق تجميع مختلفة لأنواع التأمين، واحتفظت بأدائها، مما يشير إلى أنها مستقرة بشكل معقول.

مقياس بسيط على السرير لتقدير خطر الانتقال إلى مؤسسة

نظرًا لأن الأطباء والممرضات يحتاجون إلى أدوات يمكنهم فهمها بسرعة، بنى الباحثون أيضًا مقياس خطر أبسط وأكثر شفافية يركز على التنبؤ بالتسريح إلى مؤسسة رعاية. استخدم هذا المقياس سبعة عوامل يسهل التعرف عليها: تاريخ من الكسور، الخرف، الوصول كمحول من مرفق آخر، تاريخ من السقوط، نوع التأمين، الحالة الاجتماعية، والمنطقة الجغرافية للبلد التي يقع فيها المستشفى. كل عامل يضيف أو يخصم نقاطًا، والمجموع الكلي يضع المرضى في مجموعات منخفضة أو متوسطة أو عالية المخاطر. في هذه الدراسة، كان لدى الأشخاص في مجموعة الخطر المنخفض نحو أربعين بالمئة فرصة للانتقال إلى مؤسسة رعاية، بينما كانت لدى أولئك في مجموعة الخطر العالي فرصة تقارب ثلاثة من كل أربعة.

ماذا يعني هذا للمرضى والأسر

هذه الأدوات لا تقرر إلى أين يجب أن يذهب فرد معين بعد الإقامة بالمستشفى، لكنها يمكن أن تعمل كضوء إنذار مبكر. من خلال إبراز المرضى المصابين بباركنسون الذين من المرجح أن يحتاجوا إلى دعم مكثف أو يواجهوا مضاعفات خطيرة، يمكن للنماذج ومقياس السبعة بنود أن يحفز محادثات أبكر حول التأهيل، المساعدة المنزلية، أو الرعاية طويلة الأمد. عند استخدامها إلى جانب الحكم السريري وتفضيلات الأسرة، قد تساعد هذه الأساليب القائمة على البيانات المستشفيات على تنظيم خطط خروج أكثر أمانًا وتخصيص موارد الرعاية المحدودة بشكل أفضل للأشخاص الذين يحتاجونها أكثر.

الاستشهاد: Kamo, H., Mehta, T.R., Remz, M. et al. Machine learning prediction of discharge destination in patients with Parkinson’s disease; a nationwide cohort study. npj Parkinsons Dis. 12, 120 (2026). https://doi.org/10.1038/s41531-026-01309-8

الكلمات المفتاحية: مرض باركنسون, الخروج من المستشفى, التعلم الآلي, تنبؤ المخاطر, الرعاية بعد الحادة