نموذج هجيني قابل للتفسير بالتعلم الآلي للتنبؤ بالتقزم وتحديد عوامل الخطر الرئيسية بين الأطفال الإثيوبيين دون سن الخامسة

لماذا يهم التنبؤ بنمو الأطفال

في البلدان منخفضة الدخل، لا ينمو كثير من الأطفال بطول أو قوة المتوقعين بسبب نقص الغذاء الجيد على المدى الطويل والمرض وظروف المعيشة السيئة. هذه الحالة، المسماة التقزم، تضر بالتعلم والصحة والدخل المستقبلي. في إثيوبيا يعاني أكثر من طفل من كل ثلاثة أطفال دون سن الخامسة من هذه المشكلة. تستعرض الدراسة الملخصة هنا كيف يمكن لنوع جديد من البرامج الحاسوبية مساعدة موظفي الصحة على اكتشاف الأطفال الأكثر عرضة للخطر باستخدام معلومات تجمعها الاستطلاعات بالفعل، مع توضيح كيف ولماذا يصل البرنامج إلى استنتاجاته.

رؤية التقزم على أنه أكثر من رقم

بدأ الباحثون ببيانات من المسح الديموغرافي الصحي الإثيوبي لعام 2019، الذي يتضمن تفاصيل عن آلاف الأطفال دون سن الخامسة وعائلاتهم. يسجل المسح لكل طفل الطول والعمر بحيث يمكن تصنيف مستوى التقزم إلى ثلاث فئات: نمو طبيعي، تقزم متوسط، أو تقزم شديد. وبما أن عدد الأطفال في فئة التقزم الشديد أقل بكثير من فئة النمو الطبيعي، أعاد الفريق موازنة البيانات بعناية حتى يتعلم الحاسوب التعرف على الفئات الثلاث بشكل عادل بدلاً من الانحياز إلى الفئة الأكثر شيوعاً. ثم قاموا بتنظيف وتحويل والتحقق من المعلومات للتأكد من ملاءمتها للتحليل.

مزج أداتين ذكية في أداة واحدة

بدلاً من الاعتماد على نوع واحد من نماذج التعلم الآلي، أنشأ المؤلفون نظاماً هجِينياً يجمع بين نهجين قويين. جزء واحد، يُسمى Extra Trees، يبني العديد من أشجار القرار التي تتفوق في اكتشاف الأنماط في بيانات مختلطة مثل المنطقة وحجم الأسرة وتاريخ الولادة. والجزء الآخر، المسمى متعدد الطبقات الإدراكي (MLP)، هو شبكة تعلم عميق بسيطة يمكنها التقاط علاقات أكثر دقة بعد تحويل البيانات. في تصميمهم، يقوم نموذج أشجار القرار أولاً بمعالجة البيانات ويمرر إشارات غنية إلى الشبكة العصبية، التي تنتج بعد ذلك التنبؤ النهائي بما إذا كان الطفل طبيعي النمو أو مصاباً بتقزم متوسط أو تقزم شديد.

الدقة مع الحذر

تدرب النموذج الهجين على أكثر من أحد عشر ألف سجل لطفل وتم اختباره على مجموعة منفصلة. وصل إلى نحو 94% في الدقة، والدقة النوعية (precision)، والاسترجاع (recall)، ودرجة F1، وأظهر أداءً قوياً في التحقق المتقاطع، ما يوحي بأن تنبؤاته مستقرة وليست نتيجة صدفة عينة واحدة. كشف مصفوفة الالتباس المفصلة أن النموذج جيد بشكل خاص في تمييز الأطفال الطبيعيين بوضوح عن الأطفال المتقزمين بشكل شديد، بينما تحدث معظم الأخطاء على الحدود بين التقزم المتوسط والشديد. ويشدد المؤلفون على أن المسح يوفر مجرد لقطة زمنية، لذلك يجد النموذج ارتباطات قوية بدلاً من إثبات أن عاملًا واحدًا يسبب التقزم مباشرة.

فتح الصندوق الأسود

الدقة العالية وحدها لا تكفي لاتخاذ قرارات الصحة العامة، لأن صانعي السياسات والسريريين يحتاجون إلى فهم سبب وسم النظام لطفل ما بأنه معرض للخطر. لمعالجة ذلك، تستخدم الدراسة أدوات الذكاء الاصطناعي القابل للتفسير، لا سيما طريقة تسمى LIME، التي تفكك كل تنبؤ إلى مساهمات من عوامل فردية. من خلال فحص أهمية المتغيرات والتفسيرات المحلية، وجد الباحثون أن عمر الطفل، ومنطقة الإقامة، والفاصل الزمني بين الولادات، وعدد الأطفال دون الخامسة في الأسرة كانت أهم المتنبئات. وشملت الإشارات المفيدة الأخرى تعليم الأم، وغنى الأسرة، والوصول إلى مياه نظيفة، مما يتوافق مع دراسات التغذية السابقة.

من التنبؤ إلى العمل العملي

بالنسبة للقارئ العام، الرسالة الأساسية هي أن الاستخدام الحذر للذكاء الاصطناعي يمكن أن يساعد العاملين في الصحة على الانتقال من مجرد عدّ الأطفال المصابين بالتقزم إلى تحديد الأطفال والمجتمعات التي تحتاج إلى مساعدة عاجلة. النموذج الهجين لا يخبرنا بالأسباب النهائية للتقزم، لكنه يقدم وسيلة موثوقة وشفافة لاكتشاف الأطفال ذوي الخطر الإحصائي الأعلى استناداً إلى أسئلة استطلاعية متاحة بسهولة. عند استخدامه جنباً إلى جنب مع الحكم السريري، يمكن أن يوجّه برامج مستهدفة في التغذية والمياه النظيفة وتنظيم الأسرة، مما يساعد إثيوبيا ودولاً مماثلة على تركيز الموارد المحدودة حيث يمكن أن تحقق أكبر أثر لحماية نمو الطفل وإمكاناته.

الاستشهاد: Wudu, T.K., Endalew, A.A. & Dires, A.A. Explainable hybrid machine learning model for predicting stunting and identifying key risk factors among Ethiopian children under five. Sci Rep 16, 16204 (2026). https://doi.org/10.1038/s41598-026-46417-w

الكلمات المفتاحية: تقزم الطفولة, إثيوبيا, التعلم الآلي, الذكاء الاصطناعي القابل للتفسير, تغذية الأطفال