التنبؤ بالمضاعفات والوفاة لدى مرضى احتشاء عضلة القلب باستخدام نموذج شبكة عصبية بيانية

لماذا يهم التنبؤ المبكر بمشاكل النوبة القلبية

النجاة من النوبة القلبية ليست سوى البداية. في الأيام القليلة الأولى بعد النوبة، قد يصاب المرضى فجأة بمشكلات خطيرة مثل اضطرابات نظم القلب، أو تجمع السوائل في الرئتين، أو حتى تمزق جدار القلب. كثير من هذه الأزمات تظهر بقليل من التحذير، لكنها غالبًا ما تسبقها تغيّرات طفيفة في فحوصات الدم أو ضغط الدم أو الأدوية. تستكشف هذه الدراسة ما إذا كان شكل متقدم من الذكاء الاصطناعي يمكنه فرز سجلات المستشفى في الوقت الحقيقي للإشارة إلى أي المرضى يتجهون نحو الخطر، مما يتيح للأطباء فرصة التدخّل قبل فوات الأوان.

طريقة جديدة لقراءة السجل الطبي

أدوات التنبؤ الحالية لمعظم مرضى النوبة القلبية تنظر إلى عدد محدود من القيم المسجلة عند الدخول وتحاول الإجابة عن سؤال واحد مباشر: هل سيموت المريض أم لا؟ تتجاهل هذه الأدوات كيف يتطور وضع المريض عبر الساعات والأيام، وتتعامل مع كل مريض كحالة معزولة. اتخذ الفريق وراء هذه الورقة مسارًا مختلفًا. بنوا نموذجًا يعتبر السجل الصحي الإلكتروني لكل مريض قصة غنية، يجمع العمر والتاريخ الطبي والاختبارات المعملية وتخطيط القلب والعلاجات على مدار أول 72 ساعة في المستشفى. بدلًا من التنبؤ بمخرج واحد فقط، يهدف النموذج إلى التنبؤ باثني عشر مضاعفة مختلفة، بالإضافة إلى خطر الوفاة قبل الخروج.

السماح للمرضى المتشابهين بـ "التواصل" مع بعضهم

جوهر النهج هو طريقة تسمى الشبكة العصبية البيانية، التي يمكن تصورها كوسيلة للسماح للمرضى المتشابهين بـ "مشاركة" المعلومات. كل مريض هو نقطة في شبكة، وتُرسم وصلات بين المرضى الذين تبدو سجلاتهم متشابهة. لا يثبّت النموذج هذه الوصلات بشكل جامد؛ بل يكيّف عدد الجيران لكل مريض اعتمادًا على مدى شيوع أو ندرة نمطه في البيانات. هذا مهم بشكل خاص للمشكلات النادرة ولكن القاتلة، مثل تمزق جدار القلب، حيث يمكن لأي دلائل إضافية من مرضى مماثلين سابقين أن تحسن تقديرات المخاطر.

مراقبة التقلبات السريعة والانحدارات البطيئة

بعيدًا عن الربط بين المرضى، يولي النموذج اهتمامًا وثيقًا لكيفية تغير حالتهم مع مرور الوقت. يركز فرع واحد على التقلبات قصيرة الأمد في القياسات مثل مستويات الصوديوم أو العلامات الحيوية على مدار الأيام الثلاثة الأولى. فرع آخر ينظر إلى الاتجاهات الأبطأ، مثل ما إذا كانت قيمة مختبرية ترتفع أو تنخفض بثبات. ثم يقرر آلية "الانتباه" الخاصة كيفية دمج هذين المنظورين في صورة موحّدة لمسار المريض الحالي. تُمرر هذه الصورة المركبة، إلى جانب معلومات الخلفية للمريض، عبر شبكة المرضى لإنتاج درجات مخاطر منفصلة لكل مضاعفة محتملة وللوفاة.

مدى كفاءة النظام

اختبر الباحثون نموذجهم على سجلات 1700 شخص عُولجوا من النوبة القلبية، مستخدمين التحقق المتكرر المتقاطع لتجنب الإفراط في التكيف مع البيانات. في المتوسط، كانت قدرته على التمييز بين المرضى الذين سيصابون بكل مضاعفة والذين لن يصابوا بها معتدلة، وكانت أفضل بشكل ملحوظ من طريقتين مقارنتين قويتين. كان دقيقًا بشكل خاص في التنبؤ بالوفاة داخل المستشفى، محققًا مستوى أداء (AUC 0.88) يقارن إيجابًا بالدراسات السابقة المبنية على تقنيات تعلم آلي أكثر تقليدية. واجه النظام صعوبة أكبر مع الحالات النادرة أو الدقيقة، حيث توجد أمثلة أقل للتعلم ومنها الإشارة ضعيفة في البيانات، مما أدى إلى انخفاض الدرجات لبعض المضاعفات وتوازن إجمالي متواضع بين الإنذارات الصحيحة والخاطئة.

فتح الصندوق الأسود للأطباء

لمساعدة الأطباء على الثقة بالنظام وفهمه، استقصى المؤلفون العوامل التي اعتمد عليها النموذج أكثر من غيرها. برز العمر كعامل رئيسي للمخاطر، وكذلك مستويات الصوديوم في الدم وأنماط استخدام بعض الأدوية، مثل مميعات الدم والأدوية التي تثبت نبضات القلب — وهي نتائج تتوافق جيدًا مع المعرفة الطبية الحالية. من خلال فحص "خرائط الانتباه" الداخلية، أظهروا كيف يبرز النموذج أيامًا واتجاهات مختبرية معينة لدى المرضى عاليي المخاطر، مما يقدم تفسيرًا بصريًا لتحذيراته. وفي الوقت نفسه، تعترف الدراسة بحدود مهمة: جاءت جميع البيانات من مستشفى واحد، كانت بعض المضاعفات نادرة، ولم تُستخدم سوى بيانات السجلات المهيكلة — لا تخطيطات قلب خام أو صور.

ماذا يعني هذا للمرضى

بعبارات بسيطة، تُظهر هذه العمل أن نظام ذكاء اصطناعي يمكنه مسح السجل التفصيلي لمريض النوبة القلبية في المستشفى، تتبع كيف يتغير وضعه ساعة بساعة، وتقديم إنذار مبكر لمجموعة من المضاعفات الخطيرة، لا سيما الوفاة. ومع أن الأداة ليست مثالية وتحتاج إلى اختبار في مستشفيات أخرى وتحسين للمشكلات الأندر، فإنها تتجاوز مقاييس النمط الواحد نحو تنبيهات مخاطر مخصصة بحسب النتيجة. إذا تم تنقيحها ودمجها بأمان في أنظمة المستشفى، يمكن لمثل هذه النماذج مساعدة فرق الرعاية على تركيز الانتباه والعلاجات الوقائية على المرضى الذين هم في أمسّ الحاجة إليها خلال الأيام الحرجة الأولى بعد النوبة القلبية.

الاستشهاد: Guo, D., Zhang, Z., Zhou, D. et al. Predicting complications and mortality in myocardial infarction patients using a graph neural network model. Sci Rep 16, 5886 (2026). https://doi.org/10.1038/s41598-026-36798-3

الكلمات المفتاحية: احتشاء عضلة القلب, التنبؤ بالمضاعفات, شبكة عصبية بيانية, السجلات الصحية الإلكترونية, مخاطر الوفاة