نهج التعلم الآلي لتوقّع خطر السل بين المخالطين المنزليين لمرضى السل المؤشرين في وسط إثيوبيا

لماذا يهم هذا الأمر للعائلات

غالباً ما يُنظر إلى السل على أنه مرض يُكتسب من غرباء في الحافلات أو الأسواق المزدحمة، لكن العديد من العدوى تحدث فعلياً في المنزل. عندما يصاب أحد أفراد الأسرة بالسل، يتشارك الأقارب الهواء والغرف والأسرة—ومع ذلك فقط قلة منهم يتطور لديهم المرض. تبحث هذه الدراسة من وسط إثيوبيا في سؤال عملي له صلة عالمية: هل يمكن لأدوات الحاسوب أن تساعدنا سريعاً في تمييز أي أفراد الأسرة هم الأكثر احتمالاً للإصابة، بحيث تُستخدم الفحوصات والأدوية النادرة حيث الحاجة أكبر؟

الحياة داخل المنازل التي دُرست

عمل الباحثون مع فرق صحية تزور بانتظام منازل الأشخاص الذين تم تشخيصهم بسل رئوي معدٍ. في أربع مناطق ريفية وثلاث بلدات صغيرة، جمعوا معلومات مفصّلة عن 387 مريض "مؤشر" و1,277 شخصاً يعيشون معهم. كانت العديد من الأسر مزدحمة، إذ تضيق عائلة نموذجية مكونة من أربعة أشخاص في منازل صغيرة غالباً ما تحتوي على غرفة ونافذة واحدة فقط. كانت معظم العائلات تطبخ على حطب أو فحم، مما يملأ الهواء بالدخان. كان كثير من أفراد الأسر أطفالاً أو شباباً، وما يقرب من نصف كل من المرضى والمخالطين لديهم قدر ضئيل أو لا تعليم رسمي. هذه هي البيئات التي ينتشر فيها السل بسهولة—ومع ذلك حتى هنا، تم تشخيص 23 من أعضاء الأسر فقط بالسل في نهاية المطاف (حوالي 2 من كل 100).

تحويل زيارات المنازل إلى بيانات

كل زيارة منزلية أنتجت صورة غنية عن الحياة اليومية والصحة. لسجلّ كل مخالط، دوّن الفريق العمر، الجنس، حالة التطعيم، السعال، الحمى، التعرق الليلي، التعب، فقدان الوزن، الوقت الذي يقضيه مع المريض، وأمراض أخرى مثل الربو أو السكري. سجّلوا أيضاً تفاصيل المنزل مثل عدد الغرف، نوع البيت، وقود الطهي والتهوية، إلى جانب خصائص مريض السل الأصلي مثل مدة المرض قبل بدء العلاج. تحولت كل هذه المعلومات إلى أرقام مناسبة لتحليل الحاسوب، مع أساليب دقيقة للتعامل مع الإجابات المفقودة ولمنع تجاهل الأحداث النادرة—كالحالات الصغيرة من السل في مجموعة البيانات—من قبل النماذج.

إتاحة الفرصة للخوارزميات للبحث عن الأنماط

بعدها درّب الفريق عدة أنواع من نماذج التعلم الآلي—برامج حاسوبية تتعلم الأنماط من البيانات—لتخمين أي المخالطين لديهم سل. شملت هذه أدوات إحصائية مألوفة مثل الانحدار اللوجستي، ونهجاً أكثر مرونة مثل الغابات العشوائية، والغابات العشوائية المتوازنة، k‑أقرب الجيران، الشبكات العصبية الاصطناعية وتعزيز التدرج. وبما أن الغالبية الساحقة من المخالطين لم يكن لديهم سل، ركز المؤلفون على «الاستدعاء»: قدرة النموذج على التقاط أكبر عدد ممكن من حالات السل الحقيقية، حتى لو أدى ذلك إلى بعض الإنذارات الكاذبة. في الصحة العامة، غالباً ما يكون فقدان شخص مريض أكثر خطورة من فحص شخص سليم إضافي.

ما الذي حدد الخطر وأي النماذج أعطت أفضل أداء

قدمت النماذج التجميعية التي تدمج العديد من قواعد القرار البسيطة، وخصوصاً الغابة العشوائية ونظيرتها "المتوازنة"، أفضل أداء في العثور على حالات السل الحقيقية. حدّدت هذه النماذج بشكل صحيح نحو ستة من كل سبعة أشخاص لديهم سل، مع الحفاظ على دقة إجمالية معقولة. كما استخدمت الدراسة تقنية تُسمى SHAP لنظرة داخل هذه النماذج «صندوق أسود» لمعرفة العوامل الأكثر أهمية. أدت العلامة كحالة مشتبه بها أثناء الفحص، وإعطاء عينة بلغم، ووجود سعال طويل الأمد أو مصحوب بالبلغم، والشعور بتعب شديد وفقدان الشهية، كلها إلى دفع المخالط صوب جانب "المرجّح أن يكون لديه سل". من بين خصائص المنزل، زادت المساحة الأصغر للمنزل (علامة على الازدحام) من الخطر. بدت بعض الخصائص واقية: كون الشخص أنثى، وطول القامة، والعيش مع مريض مؤشِّر ذو مستوى تعليم أعلى رُبطت بانخفاض المخاطر، وقد يعكس ذلك اختلافات في التعرض والتغذية والوصول إلى الرعاية.

ماذا يعني هذا لجهود مكافحة السل

بالنسبة لبرامج الصحة التي تضطر إلى شد الموارد المحدودة، تقدم النتائج طريقة لاستخدام بيانات الزيارات المنزلية الروتينية بذكاء أكبر. بدلاً من معاملة كل المخالطين المنزليين بنفس الشكل، يمكن للعيادات تشغيل نماذج حاسوبية بسيطة في الخلفية لوضع علامات على من هم في أعلى خطر للمتابعة الأكثر قرباً أو الفحص الأسرع أو العلاج الوقائي. تقترح الدراسة أنه حتى في بيئات ذات موارد محدودة، يمكن لأدوات التعلم الآلي المصممة بعناية أن تدعم الكشف المبكر عن السل بين أفراد الأسرة، وتقليل الحالات الفائتة وجعل تحقيقات المخالطة أكثر كفاءة—شريطة اختبار النماذج وتكييفها في مناطق أخرى قبل إدماجها في استراتيجيات وطنية للسل.

الاستشهاد: Wolde, H.M., Kebede, W., Yewhalaw, D. et al. Machine learning approaches to predict the risk of tuberculosis among household contacts of index TB patients in Central Ethiopia. Sci Rep 16, 10457 (2026). https://doi.org/10.1038/s41598-026-41547-7

الكلمات المفتاحية: السل, المخالطون المنزليون, التعلم الآلي, تنبؤ الخطر, إثيوبيا