تقييم مقارن لنماذج السلاسل الزمنية للتنبؤ بالوفيات والخرجات من المستشفيات ضد نصيحة الأطباء

لماذا تهم أرقام المستشفى

عندما نلجأ إلى المستشفى، نثق بأن الأطباء والممرضين سيبذلون كل ما في وسعهم للحفاظ على سلامتنا. من علامتي التحذير اللتين تدلان على أن هناك شيئًا قد يسير على نحو خاطئ هما عدد المرضى الذين يموتون داخل المستشفى وعدد من يغادرون ضد نصيحة الأطباء، أي يخرجون رغم توجيهات البقاء. القدرة على توقع هذه الأرقام قبل بضعة أشهر يمكن أن تساعد المستشفيات على اكتشاف المشاكل مبكرًا، وتجهيز عدد كافٍ من العاملين والأسّرة، وتحسين الرعاية قبل تفاقم الأوضاع.

مستشفان، علامتا تحذير

ركزت هذه الدراسة على مستشفين إحاليين كبيرين في منطقتين مختلفتين من الصين. لكل مستشفى، تتبع الباحثون نتيجتين أساسيتين شهريًا من 2018 إلى 2024: وفيات المرضى الداخليين (المرضى الذين توفوا أثناء القبول) والخرجات ضد نصيحة الأطباء (المرضى الذين اختاروا المغادرة مبكرًا رغم التحذيرات الطبية). تُستخدم هذه المقاييس على نطاق واسع كمؤشرات لجودة الرعاية وضغط النظام. تعمّد الفريق تجنّب التنظيف المكثف للبيانات أو التعديلات الكبيرة حتى تعكس التنبؤات المعلومات الفوضوية الواقعية التي يراها مديرو المستشفيات بالفعل.

اختبار أدوات التنبؤ

قارن المؤلفون ستة مناهج تنبؤية مختلفة تُناقش عادة في الإحصاء والذكاء الاصطناعي. بعضها، مثل ARIMA والنموذج الرمادي، أدوات إحصائية تقليدية. والبعض الآخر، مثل NNETAR وLSTM، يستخدم شبكات عصبية تحاول تعلم الأنماط من البيانات السابقة. نماذج Prophet تلتقط الاتجاهات والتقلبات الموسمية، مثل الدورات السنوية المعتادة. والدخيل الأحدث، Chronos، هو نموذج كبير مُدرّب مسبقًا على مجموعات ضخمة من بيانات السلاسل الزمنية ويمكن تطبيقه على مشكلات جديدة مع إعداد قليل. دُرِّبت الطرق الست على بيانات من 2018 حتى 2023 ثم طُلِب منها التنبؤ بما حدث فعلاً في 2024، مع تقييم الدقة بناءً على مدى انحراف التنبؤات عن الأرقام الشهرية الحقيقية.

ما الذي نجح أفضل، ومتى

عبر المستشفيين، قدّم Chronos التنبؤات الأكثر موثوقية لوفيات المرضى الداخليين. كانت أخطاؤه أصغر من أخطاء الأساليب الأخرى، وأكدت الاختبارات الإحصائية أن هذه المكاسب من غير المرجح أن تكون نتيجة الصدفة، لا سيما عند المقارنة بنموذج تعلم عميق شائع يُدعى LSTM. بالنسبة للخرجات ضد نصيحة الأطباء، كانت الصورة أكثر دقة. في المستشفى التي كانت فيها هذه الخرجات متكررة ومستقرة إلى حد ما عبر الزمن، أدّى Chronos مرة أخرى بشكل أفضل. لكن في المستشفى التي كانت فيها هذه الخرجات أقل شيوعًا وتنوّعت بشكل لا يمكن التنبؤ به من شهر لآخر، قدّم نموذج عصبي أبسط، NNETAR، تنبؤات أكثر دقة من النماذج الأكثر تعقيدًا.

لماذا التعقيد ليس دائمًا الأفضل

درس بارز من البحث هو أن إضافة التعقيد لا تضمن بالضرورة تحسّن التنبؤات. نموذج LSTM، القوي نظريًا لكن ذو أجزاء قابلة للتعديل كثيرة، واجه صعوبة مع مجموعات البيانات الصغيرة نسبيًا المتاحة هنا وغالبًا ما أصابه التكيّف المفرط — أي أنه التقط الضوضاء بدل النماذج الحقيقية. في المقابل، استفاد Chronos من الخبرة الواسعة التي اكتسبها أثناء التدريب المسبق على سلاسل زمنية أخرى، مما مكّنَه من البقاء قويًا حتى عندما قدم كل مستشفى بيانات لعدة سنوات فقط. وفي الوقت نفسه، تظهر نجاحات NNETAR مع بيانات الخروج الأكثر ضوضاءً أن النماذج الأخف وزنًا والأقل افتراضًا قد تؤدي عملًا أفضل في بعض الحالات عند مواجهة إشارات متقلبة ومنخفضة الحجم.

ماذا يعني هذا للمرضى والمستشفيات

بالنسبة لغير المتخصصين، المأخوذ بسيط: أدوات التنبؤ الأكثر ذكاءً يمكن أن تساعد المستشفيات على التطلع إلى المستقبل. عبر اختيار نماذج تتناسب مع شكل بياناتهم — أنظمة مُدرّبة مسبقًا مثل Chronos للمؤشرات المستقرة، وشبكات أبسط مثل NNETAR عندما تكون الأرقام صغيرة ومتقلبة — يمكن لقادة المستشفيات الحصول على تحذيرات مبكرة بشأن ارتفاع الوفيات أو التحولات المفاجئة في حالات الخروج ضد نصيحة الأطباء. هذه التنبؤات ليست كرات بلورية، خصوصًا عند التعامل مع أرقام صغيرة ومتقلبة، لكنها لوحات بيانات قيمة. إذا استُخدمت بحكمة، يمكن أن تثير مراجعة أقرب لممارسات الرعاية، وإدارة أكثر مرونة للموظفين والأسّرة، واستجابات أسرع للمشكلات الناشئة، مما يدعم في نهاية المطاف رعاية أكثر أمانًا وموثوقية للمرضى.

الاستشهاد: Pang, C., Jiayong, D., Jiang, D. et al. A comparative evaluation of time-series models for forecasting inpatient deaths and discharges against medical advice. Sci Rep 16, 6607 (2026). https://doi.org/10.1038/s41598-026-37913-0

الكلمات المفتاحية: تنبؤ المستشفيات, وفيات المرضى الداخِلين, الخروج ضد نصيحة طبية, نماذج السلاسل الزمنية, جودة الرعاية الصحية