نماذج تعلّم آلي تعمل ببيانات خدمات الطوارئ الطبية تحسّن فرز حالات السكتة الدماغية قبل الوصول إلى المستشفى

لماذا تهمّ قرارات السكتة السريعة

كل دقيقة تهمّ عندما يصاب شخص بسكتة دماغية. خلايا الدماغ تموت بسرعة، وفرص المشي والتحدث والعيش باستقلالية تتناقص مع كل تأخير. ومع ذلك، يُرصد العديد من حالات السكتة لأول مرة ليس على يد الأطباء بل على يد المسعفين في سيارة الإسعاف. تبحث هذه الدراسة فيما إذا كانت الحواسيب التي تتعلّم من حالات سابقة يمكن أن تساعد خدمات الطوارئ الطبية على اكتشاف السكتات مبكراً وتوجيه المرضى إلى المستشفى المناسب بسرعة أكبر — ما قد يوفر نسيجاً دماغياً ويحسن جودة الحياة على المدى الطويل.

ماذا يحدث قبل الوصول إلى المستشفى

تبدأ رحلة مريض السكتة عادة باتصال إلى رقم الطوارئ 9-1-1. يقرر القائمون على الاستقبال نوع المساعدة التي تُرسل، ثم يفحص طاقم الإسعاف المرضى في المنزل أو في الميدان. يسجّلون معلومات أساسية مثل العمر والوزن، بالإضافة إلى العلامات الحيوية مثل معدل ضربات القلب، وضغط الدم، ومعدل التنفّس، ومستوى الأكسجين، ومستوى اليقظة. غالباً ما تُؤخذ هذه الأرقام قبل أن يرى المستشفى المريض. طرح الباحثون سؤالاً بسيطاً: هل هذه القياسات المبكرة موثوقة وكاملة بما يكفي ليستخدمها الحاسوب لوضع إشارة على حالات محتملة للسكتة في الوقت الحقيقي؟

كيف أُجريت الدراسة

راجع الفريق بأثر رجعي 8,221 رحلة إسعاف شملت 4,333 بالغاً نُقلوا إلى مستشفى كبير قرب شيكاغو بين 2015 و2020. كانت حوالي 2 في المئة فقط من هذه الحوادث سكتات مؤكدة، وكاد ثلثاها من الحالات الشديدة — مرضى انتهى بهم المطاف في العناية المركزة أو على جهاز تنفّس صناعي. قارن الباحثون ما سجّلته خدمات الطوارئ في الموقع بما قيّسه طاقم المستشفى بعد الوصول بقليل. كانت قراءات معدل القلب، وضغط الدم، وسكر الدم، ومستويات الأكسجين، ودرجة الوعي البسيطة متاحة لمعظم المرضى وتطابقت عموماً مع قراءات المستشفى، مما أظهر أن بيانات سيارة الإسعاف عكست حالة المرضى بدقة معقولة.

تدريب الحواسيب على التعرف على الخطر

باستخدام هذه الأرقام السابقة لدخول المستشفى بالإضافة إلى تفاصيل أساسية عن مكالمة 9-1-1 ومكان التقاط المرضى، درّب الباحثون عدة أنماط من نماذج التعلّم الآلي لحل مهمتين: التمييز بين السكتات وغير السكتات، والتمييز بين السكتات الشديدة وباقي الحالات. اختبروا ثلاث مقاربات شائعة — الغابات العشوائية، XGBoost، وشبكة عصبية بسيطة — على مجموعات بيانات منفصلة حتى تُحكم النماذج بعدل. ولأن السكتات كانت نادرة، عدّلت النماذج لتولي مزيداً من الاهتمام للعدد الصغير من حالات السكتة وفُحصت بدقّة حتى تتطابق درجات المخاطرة لديها مع الاحتمالات الواقعية قدر الإمكان.

مدى أداء الأدوات

عبر مجموعة رحلات الإسعاف كاملة، كان أفضل نموذج لاكتشاف أي سكتة هو نموذج XGBoost، وكان أفضل نموذج للإشارة إلى السكتات الشديدة هو نموذج الغابات العشوائية. كانت هذه الأدوات جيدة في ترتيب من هم أكثر أو أقل عرضة للإصابة بسكتة، وعند ضبطها عند حد منطقي التقطت المزيد من السكتات مقارنة بأساليب الفرز الحالية لدى خدمات الطوارئ مع تجنّب معظم الإنذارات الخاطئة. على سبيل المثال، في نقطة تشغيل واحدة حدد نموذج السكتة بشكل صحيح حوالي ثلثي الحالات، واستبعد بشكل صحيح ما يقرب من تسعة من كل عشرة حالات غير سكتة. وكانت الإشارات الأكثر تأثيراً هي مؤشرات سريرية مألوفة: ارتفاع ضغط الدم، وتغيّر مستوى الوعي، واضطراب النبض، وكبر السن، ورموز مكالمات 9-1-1 التي توحي بمشكلات شبيهة بالسكتة مثل الضعف المفاجئ أو صعوبة الكلام.

ماذا قد يعني ذلك للمرضى

لأن السكتات نادرة بين جميع مرضى الإسعاف، حتى النموذج الجيد الأداء سيطلق بعض الإنذارات الخاطئة. عملياً، يعني ذلك عدداً من المرضى الذين وُسموا على أنهم «سكتة محتملة» واتضح لاحقاً أنهم ليسوا كذلك. يجادل المؤلفون بأنه في حالة طارئة حرجة للزمن قد يكون هذا المقايضة مقبولة إذا أدّت الإشارة ببساطة إلى تسريع التقييم بدلاً من استبدال الحكم البشري. تشير نتائجهم إلى أن أدوات التعلّم الآلي قد تعمل كمجموعة عيون إضافية على البيانات التي تجمعها خدمات الطوارئ بالفعل، موجهة المسعفين والمستشفيات نحو المرضى ذوي المخاطر الأعلى الذين قد يُغفلون خلاف ذلك.

إلى أين يتجه هذا العمل

بعبارة بسيطة، تُبيّن الدراسة أن الأرقام المسجّلة في مؤخرة سيارة الإسعاف يمكن أن تشغّل أدوات حاسوبية ذكية تساعد على اتخاذ قرار مَن قد يكون مصاباً بسكتة ومدى استعجال حاجته إلى رعاية متقدمة. هذه الأنظمة ليست مخصصة للتشخيص بذاتها، بل لدعم المسعفين وأطباء الطوارئ أثناء اتخاذهم قرارات سريعة حول وجهة نقل المرضى ومدى سرعة تحريك فرق السكتة. مع تحسين تبادل البيانات، وتوثيق أكثر اكتمالاً، واختبار في مناطق مختلفة، قد تساعد مثل هذه الأدوات مزيداً من الأشخاص على الوصول إلى المستشفى المناسب أسرع، والخروج من السكتة بضرر أقل دائم.

الاستشهاد: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

الكلمات المفتاحية: فرز السكتة الدماغية, خدمات الطوارئ الطبية, التعلّم الآلي, الرعاية قبل دخول المستشفى, الذكاء الاصطناعي في الطب