إطار توافق هرمي للتنبؤ بمدة الإقامة مع وعي بعدم اليقين في بيئات متعددة المستشفيات

لماذا تهم توقعات مدة الإقامة في المستشفى

عندما يُقبل شخص في المستشفى، أحد الأسئلة الأولى التي يطرحها الأهل والطاقم هو: «كم سيبقى هنا؟» الإجابة لا تقتصر على الإشباع الفضولي؛ فهي تؤثر على توافر الأسرة، جداول العاملين، خطط غرف العمليات، وحتى ما إذا كان بإمكان المريض العودة إلى المنزل بأمان أو يحتاج دعمًا إضافيًا. تصف هذه الورقة طريقة جديدة للتنبؤ بمدة الإقامة لا تكتفي بإعطاء رقم واحد، بل تقدّم أيضًا نطاقًا واقعيًا يعكس مقدار عدم اليقين في التنبؤ — وهو أمر حاسم للرعاية الآمنة والفعّالة.

تحدي التنبؤ بمدة البقاء في المستشفى

التنبؤ بمدة الإقامة أصعب مما يبدو. تتعامل المستشفيات مع خليط واسع من المرضى، من الحالات الروتينية إلى الطوارئ المعقدة، وتختلف ممارساتها حسب الحجم والملكية والحالة التعليمية والمنطقة. هذا يعني أن المرضى «مجمّعون» داخل المستشفيات والمناطق، لذا نتائجهم ليست مستقلة. العديد من نماذج التعلم الآلي الحالية تُخرج أفضل تقدير لكنها تقدّم القليل من المعلومات الموثوقة عن مدى احتمال الخطأ. بالنسبة لقادة المستشفيات الذين يجب عليهم تجنّب الأقسام المزدحمة أو الأسرّة الفارغة، يمكن أن يؤدي غياب تقدير عدم اليقين إلى خروج المرضى بشكل غير آمن، أو إلغاء مواعيد غير ضروري، أو حواجز احتياطية مبالغة ومهدرة.

دمج مدرستين فكريتين حول عدم اليقين

درس المؤلفون طريقتين شائعتين لالتقاط عدم اليقين ووجدوا أن كلًا منهما له عيوب جسيمة بمفرده. الأساليب البايزية تُنمذج عدم اليقين مباشرة ويمكنها عكس هياكل معقدة مثل المستشفيات المتداخلة داخل مناطق، لكن في التطبيق قد تكون نطاقاتها الواثقة مفرطة عندما تخطئ افتراضات النموذج حتى بشكل طفيف. أما طرق التنبؤ التوافقية فتكاد لا تفترض شيئًا عن البيانات ويمكنها الضمان أن النطاقات تحتوي القيمة الحقيقية بنسبة اختيارية من الوقت، لكنها عادة ما تعطي فواصل بعرض مماثل لكل مريض، متجاهلة مدى صعوبة أو سهولة التنبؤ بحالة معينة. الفكرة الأساسية في هذا العمل هي إنشاء هجينة تستخدم كل نهج فيما يبرع فيه: نمذجة بايزية لتقدير أي المرضى أكثر أو أقل عرضة لعدم اليقين، وتنبؤ توافقي للحفاظ على موثوقية النطاقات على مستوى الإجمالي.

كيف يعمل النظام الهجين في التطبيق

يبدأ النظام بـ «غابة عشوائية هرمية»، نموذج تعلم آلي قائم على الأشجار يتعلم الأنماط على ثلاثة مستويات: المرضى الأفراد، مستشفياتهم، والمناطق الأوسع التي تنتمي إليها تلك المستشفيات. من هذه القاعدة، تنظر طبقة بايزية إلى الأخطاء الباقية وتقدّر مدى عدم اليقين لكل تنبؤ جديد، مع مراعاة خصوصيات المستشفى والمنطقة. بشكل منفصل، تنظر خطوة معايرة توافقية إلى أخطاء التنبؤ السابقة عبر آلاف المرضى وتحدّد مدى اتساع الفواصل اللازم لتحقيق مستوى موثوقية مرغوب — نحو 95 بالمئة في هذه الدراسة. ثم تكبّر الهجينة هذه التعديلات التوافقية للحالات التي تعتبرها الطبقة البايزية محفوفة بالمخاطر وتقلّلها للحالات التي تراها مباشرة، مكوّنة فواصل مخصّصة لكل مريض تكون حذرة ومقاسّة بكفاءة في الوقت نفسه.

ماذا تقول البيانات عن الأداء

اختبر المؤلفون إطارهم على أكثر من 61,000 إقامة مستشفوية من ما يقرب 3,800 مستشفى أمريكي في قاعدة بيانات وطنية للمرضى الداخليين. حقق التنبؤ التوافقي البحت هدف 95 بالمئة تقريبًا لكنه استخدم عمومًا نفس النطاق الواسع للجميع. الإضافة البايزية الخالصة أنتجت نطاقات ضيقة جدًا لكنها احتوت الطول الحقيقي للإقامة حوالي 14 بالمئة فقط من الوقت — وهو معدل منخفض جدًا للاستخدام الآمن. اقترب النهج الهجين من الهدف، فغطّى حوالي 94.3 بالمئة من الحالات، مع تقليص متواضع لمتوسط العرض والأهم إعادة توزيع العرض: نحو 21 بالمئة ضيقًا أكثر للحالات الأقل عدمًا لليقين وحوالي 6 بالمئة أوسع للحالات الأكثر عدمًا لليقين. ظلت هذه النطاقات التكيفية مستقرة عبر أنواع مختلفة من المستشفيات وحتى عندما اختبر النموذج مؤسسات لم تُرَ من قبل.

ماذا يعني هذا للمرضى والمستشفيات

للخُصوص غير المتخصصين، الخلاصة الأساسية أن هذه الطريقة تحول التنبؤات الصندوقية إلى أدوات ذات هامش خطأ مفهوم وموثوق. بدل رقم واحد مهتز، تحصل المستشفيات على نطاقات مدعومة إحصائيًا وتتكيف مع صعوبة الحالة: أضيق للمرضى الروتينيين، وأوسع لأولئك الذين قد يفاجئون الأطباء. هذا يجعل التخطيط للأسرة والطاقم أكثر واقعية مع تمييز المرضى الذين يحتاجون انتباهًا إضافيًا وخطط طوارئ. رغم أن النطاقات الحالية لا تزال واسعة إلى حد ما بالأيام التقويمية، يبيّن الإطار كيف يمكن للإحصاءات الدقيقة أن تنقل المستشفيات من التخمين إلى قرارات أكثر موثوقية وواعية بعدم اليقين تدعم كلًا من السلامة والكفاءة.

الاستشهاد: Shahbazi, M.A., Baheri, A. & Azadeh-Fard, N. A hierarchical conformal framework for uncertainty-aware length of stay prediction in multi-hospital settings. Sci Rep 16, 6564 (2026). https://doi.org/10.1038/s41598-026-37450-w

الكلمات المفتاحية: مدة الإقامة في المستشفى, تكميم عدم اليقين, تنبؤ توافق, نمذجة بايزية, تحليلات الرعاية الصحية