اختيار ميزات هجينة بنموذج تعلم عميق جديد لتنبؤ خطر كوفيد-19

لماذا لا يزال تنبؤ خطر كوفيد-19 مهماً

حتى مع تعلم العالم التعايش مع كوفيد-19، لم يختفِ الفيروس تمامًا. تستمر سلالات جديدة في الظهور، وقد تظل المستشفيات مرهقة، ولا يزال الأشخاص المعرضون للخطر عرضة لمرض شديد أو الوفاة. لذلك يحتاج الأطباء إلى طرق سريعة وموثوقة لتقدير مدى احتمال أن يصبح المريض المصاب مريضًا بشدة. يقدم هذا البحث نموذجًا حاسوبيًا جديدًا يستخدم بيانات المستشفيات والذكاء الاصطناعي المتقدّم لتوقّع خطر كوفيد-19 بدقة أكبر، مما قد يساعد الأطباء في تقرير من يحتاج إلى متابعة أقرب، علاج مبكر، أو رعاية مكثفة.

من سجلات المرضى الخام إلى إشارات قابلة للاستخدام

تبدأ الدراسة بمجموعة بيانات سريرية كبيرة جدًا: أكثر من مليون مريض مجهول الهوية، يصف كل منهم بـ21 ميزة بسيطة غالبًا بنعم أو لا مثل الفئة العمرية، الحالات المرضية الكامنة، وعوامل الخطر الأخرى. بيانات المستشفيات الواقعية فوضوية، لذا الخطوة الأولى هي «تنقيحها». يطبّق المؤلفون حيلة رياضية تسمى التحجيم اللوغاريتمي، التي تضغط القيم القصوى وتمد مجموعات القيم الصغيرة جدًا. تجعل هذه التحويلة البيانات أكثر استقرارًا وأسهل لمعالجة الخوارزميات، مما يقلل احتمال أن تضلل الأرقام الشاذة أو المؤشرات النادرة النموذج.

اختيار العلامات الأكثر إفادة

ليست كل متغيرات المسجلة مفيدة بالتساوي في التنبؤ، وكثرة الإشارات الضعيفة قد تربك نظام الذكاء الاصطناعي فعليًا. لذلك يجري الباحثون اخترار الميزات، وهي عملية تصفي معلومات أقل فائدة وتحافظ على العوامل الأكثر إفادة. يجمع نهجهم الهجين بين فكرتين: مقياس ينظر إلى مدى تمييز الميزة بين المرضى عاليي الخطر ومنخفضي الخطر، وآخر يتحقق من مدى تداخل الميزات مع بعضها البعض. عبر موازنة هذين المنظورين على مقياس مشترك، يفضّل الأسلوب الميزات القوية وغير المكررة. يسرّع هذا التقليم التدريب، ويقلل الإفراط في التكيّف، ويركّز النموذج على الأنماط الأهم سريريًا.

مزج التعرف على الأنماط مع الاستدلال الضبابي

جوهر الورقة هو محرك تنبؤ جديد يُسمى الشبكة العصبية المتكررة الكرونيكرونية العميقة الضبابية، أو Fuzzy-Deep Kronecker Recurrent Neural Network (Fuzzy-DKRNN). يمزج بين عدة تقنيات تكاملية. أحد المكونات، شبكة كرونيكرون العميقة، صُممت لكشف أنماط مُدمجة ومهيكلة مخفية في البيانات السريرية. مكوّن آخر، شبكة عميقة متكررة، مناسب لالتقاط الاعتماديات والاتجاهات، مثل عندما تؤثر مجموعة من العوامل عبر الزمن على الخطر. وعلى رأس ذلك، يضع المؤلفون نظام منطق ضبابي. بدلاً من اتخاذ قرارات صارمة بنعم أو لا فقط، تعبّر قواعد الضبابي عن عبارات مثل «إذا كانت عدة مؤشرات خطر مرتفعة بشكل معتدل، فالمريض يحتمل أن يكون عالي الخطر». تحمل كل قاعدة درجة من اليقين، مما يمكّن النموذج من التعامل مع عدم اليقين والمناطق الرمادية الشائعة في الطب.

ما مدى أداء النموذج؟

يختبر المؤلفون نموذج Fuzzy-DKRNN بصرامة مقابل عدة بدائل من أحدث الطراز، بما في ذلك أنظمة تعتمد على صور الأشعة الصدرية، والتعلّم الآلي التقليدي، ونهج تعلم عميق أخرى. باستخدام مقاييس معيارية مثل الدقة، والدقّة (precision)، والاسترجاع (recall)، ودرجة F1، يخرج أسلوبهم متفوقًا باستمرار. في أفضل تكوين له، يصنّف النموذج نحو 91% من الحالات بشكل صحيح إجمالًا، مع قدرة عالية على كشف المرضى الذين سيصابون بمرض شديد وتجنّب الإنذارات غير الضرورية عند من لن يحدث لهم ذلك. وتستمر هذه المكاسب عندما تتغير كمية بيانات التدريب وإعدادات التحقق الداخلي، مما يشير إلى أن النهج قوي ولا يقتصر على سيناريو واحد مضبوط بعناية.

ماذا يعني هذا للمرضى والمستشفيات

بعبارات بسيطة، يبيّن هذا العمل أن الجمع بين تنقية البيانات بعناية، والاختيار الذكي لعوامل الخطر الرئيسية، وهجين من التعلّم العميق مع المنطق الضبابي يمكن أن ينتج تنبؤات أخطر بكوفيد-19 أكثر موثوقية من المعلومات السريرية الروتينية. لن يحل مثل هذا الأداة محل الأطباء، لكنها قد تعمل كمساعد إنذار مبكر — تشير إلى المرضى الذين يستحقون مراقبة أقرب، وتوجّه توزيع الموارد النادرة مثل أسرّة العناية المركزة، وتساهم في تقليل الوفيات الممكن تجنّبها. ويمكن تكييف نفس الاستراتيجية أيضاً لأمراض أخرى حيث يكون الكشف المبكر عن الخطر من بيانات سريرية معقدة أمرًا حاسمًا.

الاستشهاد: P, G.S., Kathiravan, M., Shanthi, S. et al. Hybrid feature selection with novel deep learning model for COVID-19 risk prediction. Sci Rep 16, 4106 (2026). https://doi.org/10.1038/s41598-026-35013-7

الكلمات المفتاحية: تنبؤ خطر كوفيد-19, التعلّم العميق, المنطق الضبابي, دعم القرار السريري, نماذج الذكاء الاصطناعي الطبية