الاندماج متعدد الأنماط والبيانات الهجينة للتنبؤ بالوفيات

لماذا تهم تنبؤات العناية المركزة الأكثر ذكاءً

عندما تتوقف كلية المريض فجأة في وحدة العناية المركزة، يحتاج الأطباء إلى اتخاذ قرار سريع حول من هم الأكثر عرضة للموت والذين يحتاجون إلى رعاية أكثر عدوانية. اليوم، تستند تلك القرارات إلى الخبرة وإلى مقاييس مبنية على شريحة محدودة من بيانات المريض. تطرح هذه الدراسة سؤالاً بسيطاً بعواقب كبيرة: إذا سمحنا للذكاء الاصطناعي بالنظر إلى أنواع كثيرة من بيانات المستشفى في وقت واحد — إشارات القلب، نتائج المختبر، وملاحظات الأطباء — هل يمكنه أن يحذرنا بدقة أكبر عندما يكون المريض المصاب بالفشل الكلوي الحاد في خطر حقيقي؟

رؤية المريض من زوايا متعددة

الفشل الكلوي الحاد شائع وقاتل، ويصيب نحو واحداً من كل عشرة أشخاص على مدى الحياة ويسهم في عشرات الآلاف من الوفيات سنوياً. يراجع الأطباء بالفعل العديد من تدفقات المعلومات — العلامات الحيوية، اختبارات الدم، مخططات نظم القلب، والملاحظات السردية الطويلة — لتقييم من يتحسن أو يزداد سوءاً. ومع ذلك، تستخدم معظم الأدوات الحاسوبية تياراً واحداً فقط من هذه المعلومات في كل مرة، مثل قيم المختبر أو نظام نقاط واحد. هذا يشبه محاولة فهم فيلم معقد عن طريق الاستماع إلى الحوار فقط أو مشاهدته بلا صوت. سعى الباحثون لبناء نظام ذكاء اصطناعي يمكنه، في الواقع، مشاهدة الفيلم بأكمله عبر جمع ثلاثة أنواع رئيسية من المعلومات التي تُجمَع في وحدات العناية المركزة الحديثة.

تحويل بيانات المستشفى الفوضوية إلى لغة مشتركة

استند الفريق إلى قواعد بيانات مستشفى عامة وكبيرة متاحة من مستشفى تعليمي أمريكي. وفرت السجلات المهيكلة من مجموعة بيانات MIMIC-IV ملايين الإدخالات حول العلامات الحيوية، نتائج اختبارات المختبر، الإجراءات، التشخيصات، والبيانات الديموغرافية. أضافت بيانات تخطيط القلب (ECG) لقطات مفصّلة للنشاط الكهربائي للقلب. قدّمت ملاحظات الأطباء نصاً غنياً بوصف الأعراض، العلاجات، والانطباعات السريرية. تطلب كل نوع من هذه البيانات تنقية مكثفة: إزالة الضوضاء والقيم الشاذة في بيانات المختبر والمراقبة، تصفية وتطبيع إشارات ECG الخام، وإزالة العناوين والمعرّفات من الملاحظات قبل تغذيتها إلى نموذج لغوي شبيه بتلك المستخدمة في روبوتات الدردشة الحديثة. بالنسبة للقيم الجدولية، استخدم المؤلفون عملية تبسيط لتقليل عشرات الآلاف من القياسات المحتملة إلى 500 ميزة ذات معلومات عالية، مجمعة في مواضيع مألوفة سريريا مثل وظيفة الكلى، إنزيمات الكبد، ضغط الدم، حالة التنفس، والنقاط العصبية.

دمج تدفقات بيانات متعددة باستخدام الذكاء الاصطناعي

في جوهر العمل يكمن كيفية اندماج هذه المدخلات المتباينة للغاية. قارن الباحثون ثلاث استراتيجيات. في «الدمج المبكّر»، حوّلوا كل المدخلات إلى متجهات رقمية، ثم دمجوها فوراً ومرروها عبر شبكة عصبية عميقة مستوحاة من نماذج التعرف على الصور. في «الدمج المتأخر»، مرّ كل نوع من البيانات أولاً عبر شبكة متخصصة به — واحدة مُعدّة للجداول، وأخرى لـ ECG، وأخرى للنص — ثم جُمعت المخرجات بعد ذلك. في نهجهم «الهجين»، تم دمج مساري الجداول وECG في وقت أبكر، بينما أُضيفت الملاحظات النصية في مرحلة لاحقة. ساعدت آليات الانتباه — مكونات برمجية تتعلم التركيز على الأجزاء الأكثر معلوماتية من كل مدخل — الشبكات في تحديد أي الإشارات من كل نمط كانت الأكثر أهمية لتوقع البقاء.

ما مدى دقة النموذج في توقع خطر الوفاة؟

اختبر المؤلفون أولاً نماذج أبسط تستخدم نوعاً واحداً من البيانات في كل مرة. حققت هذه النماذج أحاد-المصدر أداءً معقولاً، لكنها أخفقت في رصد حالات مهمة: فالنماذج المعتمدة على النص، على سبيل المثال، غالباً ما فشلت في التقاط المرضى الذين سيموتون لاحقاً، بينما تفاوتت نماذج ECG بشكل كبير اعتماداً على كيفية تدريبها. عندما جمعت المصادر الثلاثة معاً، تحسّن الأداء بوضوح. وصل أفضل نموذج دمج هجين إلى مساحة تحت منحنى المستلم (AUC) تبلغ نحو 0.96 ودقة تزيد على 93% في التنبؤ بما إذا كان مرضى الفشل الكلوي الحاد في العناية المركزة سيموتون خلال إقامتهم بالمستشفى. هذا تفوق بشكل ملحوظ على معظم الدراسات السابقة في الميدان، التي عادةً ما أبلغت عن قيم AUC أقل من 0.90. أظهرت الاختبارات الإحصائية أن الاستراتيجية الهجينة قدمت نتائج أكثر ثباتاً وتوازناً، موفرة تقليصاً لكل من حالات الوفاة الفائتة والإنذارات غير الضرورية مقارنة بطرق الدمج الأخرى.

الوعود والتحفظات وما يعنيه ذلك للمرضى

لغير المتخصص، الرسالة الأساسية بسيطة: أدوات الذكاء الاصطناعي التي تنظر إلى العديد من جوانب حالة المريض في وقت واحد يمكنها أن تتوقع الخطر بمزيد من الموثوقية مقارنة بالأدوات التي تركز على تيار بيانات واحد. بالنسبة لمرضى الفشل الكلوي الحاد في وحدات العناية المركزة، قد يترجم ذلك إلى تحذيرات أبكر، علاجات أكثر استهدافاً، واستخدام أفضل لموارد العناية المركزة المحدودة. ومع ذلك يؤكد المؤلفون أن دراستهم تعتمد على بيانات من نظام مستشفى واحد وأن النماذج المعقّدة «صندوق أسود» يصعب على الأطباء تفسيرها. ويدعون إلى عمل مستقبلي لجعل هذه الأدوات تفسر سبب توصياتها، ومعالجة البيانات المفقودة عندما لا تتوفر جميع الفحوصات، والتحقق من معاملة الخوارزميات لمجموعات المرضى المختلفة بعدالة. وحتى مع هذه التحفظات، توضح الدراسة كيف أن نسج الأرقام والأشكال الموجية والنصوص معاً يمكن أن يمنح الحواسيب رؤية أكثر شمولاً تشبه نظرة الإنسان للمرضى الحرجين — وقد يساعد ذلك في إنقاذ الأرواح.

الاستشهاد: Abuhamad, H., Zainudin, S. & Abu Bakar, A. Integrative multimodal hybrid data fusion for mortality prediction. Sci Rep 16, 5803 (2026). https://doi.org/10.1038/s41598-026-36296-6

الكلمات المفتاحية: الفشل الكلوي الحاد, الرعاية المركزة, التعلّم الآلي متعدد الأنماط, التنبؤ بالوفاة, دعم القرار السريري