استخدام خوارزميات التعلم الآلي للتنبؤ بالأحداث القلبية الوعائية الكبرى لدى مرضى غسيل البريتوني

لماذا يهم هذا الأشخاص الخاضعون لغسيل منزلي

بالنسبة لكثير من المصابين بفشل كلوي، يوفر الغسيل البريتوني حرية تلقي العلاج في المنزل بدلاً من العيادة. ومع ذلك يواجه هؤلاء المرضى مخاطر عالية لمشكلات خطيرة في القلب والأوعية الدموية، مثل النوبات القلبية والسكتات الدماغية. تطرح هذه الدراسة سؤالاً عملياً ذو تبعات حقيقية: هل يمكننا استخدام تقنيات حاسوبية حديثة لاكتشاف، مبكراً، أي مرضى الغسيل البريتوني هم الأكثر عرضة لحدوث مشاكل قلبية كبرى، حتى يتمكن الأطباء من التدخل قبل وقوع الكارثة؟

من شملتهم الدراسة وما الذي تم قياسه

راجع الباحثون السجلات الطبية لـ 1006 بالغين بدأوا الغسيل البريتوني في مستشفيين بالصين بين 2010 و2016. كان جميع المرضى يتلقون هذا العلاج لمدة لا تقل عن ثلاثة أشهر. عند بدء الغسيل جمع الفريق 86 عنصراً من المعلومات لكل فرد، بما في ذلك العمر وأمراض مصاحبة مثل السكري أو فشل القلب، وضغط الدم، وفحوصات مخبرية، ونتائج تصوير القلب بالموجات فوق الصوتية، والأدوية. ثم تم تتبع الجميع لمدة تصل إلى نحو عشر سنوات لمعرفة من تعرض لحدث قلبي أو دماغي كبير، وهو مجموعة المشكلات التي يسميها المؤلفون «MACE»، وتشمل النوبة القلبية، ألم صدري شديد، السكتة الدماغية، توقف القلب، الدخول للمستشفى بسبب فشل القلب أو اضطرابات نظم القلب الخطرة، والوفاة لأي سبب.

تنبؤ أذكى بواسطة التعلم الآلي

بدلاً من الاعتماد فقط على الأساليب الإحصائية التقليدية، لجأ الفريق إلى ثلاث طرق تعلم آلي قادرة على اكتشاف أنماط معقدة في مجموعات بيانات كبيرة: الغابة العشوائية (Random Forest)، XGBoost، وAdaBoost. قسموا بياناتهم إلى مجموعات لتدريب النماذج، واختبارها، ثم فحص أدائها في مرضى مستشفى منفصل. كان الهدف قياس مدى قدرة كل نهج على التنبؤ بمن سيعاني حدثاً كبيراً في أي وقت، خلال السنة الأولى، وخلال الخمس سنوات الأولى بعد بدء الغسيل البريتوني. قيست قوة النموذج بمقياس قياسي يسمى المساحة تحت المنحنى (AUC)، حيث تشير القيمة الأقرب إلى 1.0 إلى تمييز أفضل بين المرضى ذوي المخاطر العالية والمنخفضة.

ما الذي تعلمته النماذج عن عوامل الخطر

خلال كامل فترة المتابعة عانى 409 من أصل 606 مرضى في مجموعة التطوير الرئيسية حدثاً كبيراً. لتنبؤ هذه الأحداث الإجمالية، كانت طريقة الغابة العشوائية الأفضل، مع AUC بنحو 0.80، ما يعني أنها تمكنت غالباً من التمييز الصحيح بين المرضى ذوي المخاطر الأعلى والأدنى. في هذا المنظور طويل الأمد كانت الإشارات الأكثر تأثيراً مستويات هرمون جارات الدرق (parathyroid hormone)، وهو علامة مرتبطة بصحة العظام والأوعية الدموية، وتاريخ من فشل القلب الاحتقاني، والعمر. عندما تضيق النظرة لتشمل أحداث السنة الأولى فقط، تأثر 114 مريضاً فقط، وتصدر XGBoost الأداء مع AUC قدره 0.86. هنا برزت مستويات الكوليسترول الحميد (HDL) كعامل وقائي مهم، إلى جانب العمر ومستويات الكالسيوم في الدم. بالنسبة لأفق الخمس سنوات، تفوقت الغابة العشوائية مرة أخرى، وبرز العمر، والكرياتينين في الدم، ومعدل ترشيح الكلى المقدر — وهي مؤشرات لباقي وظيفة الكلى وكفاية الغسيل — كعوامل رائدة.

التحقق من الموثوقية والأداء في العالم الواقعي

للتأكد من أن هذه النتائج ليست صدفة، قارن المؤلفون أدوات التعلم الآلي مع طريقة أكثر ألفة لتحليل زمن الحدوث تسمى انحدار كوكس (Cox regression) واختبروا كل شيء في مجموعة منفصلة من 400 مريض من مستشفى آخر. عوامل الخطر الرئيسية التي حددتها الطرق الأحدث تطابقت إلى حد كبير مع تلك المكتشفة بالتحليل التقليدي، لكن نماذج التعلم الآلي أدت عمومًا أداءً أفضل في ترتيب المرضى حسب المخاطر. في مجموعة المستشفى الخارجي، ظل النموذج الرئيسي يؤدي بشكل جيد، مصنفاً النتائج بشكل صحيح عند نحو سبعة من كل عشرة مرضى تقريباً. كما سلطت الدراسة الضوء على أهمية عوامل مترابطة أخرى — مثل عبء المرض العام، والوزن، ودهون الدم، والألبومين (كمؤشر للتغذية)، وإنتاج البول، وضغط الدم — التي تشكل مجتمعة خطر القلب في هذه الفئة الضعيفة.

ماذا يعني هذا للمرضى وفرق الرعاية

يخلص المؤلفون إلى أن أدوات التعلم الآلي المصممة بعناية يمكن أن تساعد الأطباء على تقدير، منذ بداية الغسيل البريتوني، أي المرضى يواجهون احتمالات مرتفعة بشكل خاص لحدوث مشكلات قلبية ووعائية خطيرة في السنوات القادمة. كان العمر مهماً باستمرار، لكن عدة عوامل مرتبطة بتوازن المعادن، ودهون الدم، وكفاية الغسيل، والصحة العامة لعبت أدواراً رئيسية — والعديد منها يمكن مراقبته ومعالجته. وبينما الدراسة استعادية وتحتاج إلى تأكيد في أعمال مستقبلية مستقبلية، فإنها تشير إلى مستقبل قد توجه فيه خوارزميات تعمل في الخلفية رعاية الغسيل المنزلي من خلال التنبيه المبكر لمن هم في خطر، ما يتيح علاجات مستهدفة لتمديد الحياة وتقليل حالات الدخول للمستشفى.

الاستشهاد: Xu, L., Zhang, Y., Abbas Al-Janabi, A.A. et al. Using machine learning algorithms to predict MACE in peritoneal dialysis patients. Sci Rep 16, 10553 (2026). https://doi.org/10.1038/s41598-026-45362-y

الكلمات المفتاحية: غسيل بريتوني, مخاطر القلب والأوعية الدموية, التعلم الآلي, فشل كلوي, تنبؤ المخاطر