نموذج تنبؤ مبكر بمقاومة المضادات الحيوية قائم على التعلم متعدد المهام باستخدام بيانات مجموعات مؤسسية متعددة

لماذا هذا مهم للرعاية الصحية اليومية

مقاومة المضادات الحيوية تحول بهدوء عدوى كانت تُعالج سابقاً إلى أمراض مهددة للحياة. غالباً ما يضطر الأطباء لاختيار مضادات حيوية قبل أن تكشف اختبارات المختبر أي الأدوية ستكون فعّالة، وهو تأخير قد يستغرق عدة أيام. تستكشف هذه الدراسة كيف يمكن لنماذج حاسوبية مدرَّبة على سجلات المستشفيات أن تمنح الأطباء تحذيراً مبكراً بشأن أي المضادات الحيوية مرجَّح أن تفشل، مما يساعد على حماية المرضى وإبطاء انتشار البكتيريا المقاومة.

المضادات الحيوية تحت الضغط

تعتمد الطب الحديث اعتماداً كبيراً على المضادات الحيوية في كل شيء من الجراحة الروتينية إلى علاج السرطان. ومع ذلك، تتطور البكتيريا بسرعة، والمضادات الحيوية الجديدة تظهر بمعدلات أبطأ من فقدان الفعالية لدى الأقدم منها. في كوريا الجنوبية، حيث أُجريت هذه الدراسة، تُعتبر ما يصل إلى ثلث وصفات المضادات الحيوية في المستشفيات غير مناسبة. عادةً ما تستغرق اختبارات الزرع التي تكشف ما إذا كان الجرثوم مقاوماً ثلاثة إلى خمسة أيام، مما يضطر الأطباء إلى العلاج في ظل غياب المعلومات. سعى الباحثون لتنبؤ المقاومة لتسع مجموعات رئيسية من المضادات الحيوية مستخدمين فقط المعلومات المتاحة مبكراً أثناء إقامة المريض في المستشفى.

تحويل بيانات المستشفيات إلى تحذيرات مبكرة

حلَّل الفريق السجلات الطبية الإلكترونية لـ59,551 بالغاً في ثلاث مستشفيات كبرى بكوريا على مدى أكثر من عقد. شملت هذه السجلات العمر والوظائف الحيوية وطول الإقامة والاستخدام السابق للمضادات الحيوية، والأهم من ذلك نتائج اختبارات الزرع السابقة التي تبين أي المضادات الحيوية فشلت سابقاً. بدلاً من تدريب تسعة نماذج منفصلة—واحد لكل مجموعة مضادات حيوية—استخدموا استراتيجية تُدعى التعلم متعدد المهام، التي تتيح لنموذج واحد أن يتعلَّم عدة مهام تنبؤية ذات صلة في آن واحد. تم اختبار نسختين: إحداهما تحتوي على جوهر مشترك يتفرع إلى مخرجات منفصلة لكل مجموعة مضادات حيوية (المشاركة الصارمة)، وأخرى ترتبط فيها المهام بروابط أكثر ليونة (المشاركة الناعمة).

حل مشكلة النتائج المخبرية الناقصة

البيانات الحقيقية في المستشفيات فوضوية: ليس كل مريض يُختبر مقابل كل مضاد حيوي. في الدراسات السابقة، كثيراً ما استُبعدت هذه الحالات ذات التسميات الجزئية، مما قلَّص مجموعات البيانات وتجاهل أنماط تمتد عبر أدوية مختلفة. هنا، أعاد الباحثون كتابة قاعدة تعلّم النموذج بحيث يتجاهل ببساطة نتائج المختبر المفقودة عند حساب خطأ التدريب. هذا أتاح لهم الاحتفاظ بما يقرب من جميع المرضى في التحليل، حتى عندما غابت بعض نتائج المضادات الحيوية. استفاد نموذج المشاركة الصارمة بشكل خاص من هذا الترتيب، لأنه استطاع تعلم إشارات مشتركة للمقاومة مع الاستمرار في ضبط توقعاته لكل مجموعة دوائية على حدة.

ما مدى أداء النماذج؟

عند الاختبار على بيانات من مستشفيات لم يرَوها من قبل، تفوقت نماذج التعلم متعدد المهام عموماً على طرق أكثر تقليدية مثل الانحدار اللوجستي وخوارزميات التعزيز القياسية. في المتوسط، أظهر نموذج المشاركة الصارمة أفضل توازن بين الدقة والثبات عبر تسع فئات مضادات حيوية، وكان قوياً بشكل خاص للمجموعات الدوائية ذات البيانات الأندر، مثل الأمينوجليكوزيدات. كشف تحليل منفصل يوضح السمات المحركة للتنبؤات أن مقاومة المريض السابقة لمضاد حيوي كانت العامل الوحيد الأكثر أهمية، تلاها مقاومة أو استخدام أدوية ذات صلة، بالإضافة إلى العمر وطول الإقامة. أظهرت تحليلات المجموعات الفرعية أن المشاركة الصارمة كانت الأفضل عندما كانت نتائج الزرع السابقة لمضاد حيوي معين متوفرة، بينما كانت المشاركة الناعمة أفضل عندما كان مثل هذا التاريخ مفقوداً.

ماذا يعني هذا للمرضى والممارسين السريريين

تقترح الدراسة أن الاستخدام الذكي لسجلات المستشفى يمكن أن يوفّر توقعات مبكرة ومعقولة الاعتماد لمقاومة المضادات الحيوية عبر عدة عائلات دوائية رئيسية. حتى المكاسب المتواضعة في دقة التنبؤ، عند تطبيقها على أعداد كبيرة من المرضى، قد تساعد الأطباء على اختيار مضادات حيوية أضيق نطاقاً وأكثر استهدافاً في وقت أبكر والتراجع عن الأدوية واسعة الطيف بثقة أكبر. وهذا بدوره قد يقلل المضاعفات ويقصر فترات الإقامة في المستشفى ويبطئ التقدم العام للمقاومة. يحذر المؤلفون من أن نموذجهم لا يزال بحاجة إلى اختبار وتكييف في العالم الحقيقي، خاصة عندما تكون بيانات الزرع السابقة غير متاحة، لكنهم يرون أن التعلم متعدد المهام يقدم طريقاً واعداً للاستفادة بشكل أفضل من البيانات الطبية غير الكاملة ودعم استخدام أكثر حذراً للمضادات الحيوية.

الاستشهاد: Kim, Y., Jeong, I., Park, JH. et al. Multi task learning based early prediction model for antibiotic resistance using multi institutional cohort data. Sci Rep 16, 11891 (2026). https://doi.org/10.1038/s41598-026-41185-z

الكلمات المفتاحية: مقاومة المضادات الحيوية, دعم القرار السريري, السجلات الصحية الإلكترونية, تعلم الآلة, التعلّم متعدد المهام