إطار ذكاء اصطناعي قابل للتفسير للتنبؤ بمرض القلب الإقفاري باستخدام اختيار ميزات محسن مستوحى من السنجاب الطائر

لماذا تدق الفحوص القلبية الأذكى ناقوس الأهمية

لا يزال مرض القلب القاتل الأول على مستوى العالم، لكن الأطباء كثيرًا ما يواجهون توازنًا بين وقت محدود، وكثير من نتائج الاختبارات، وأدوات حاسوبية معقدة. تُظهر هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي سهل التفسير أن يساعد الأطباء على الكشف المبكر عن مرض القلب الإقفاري مع إبقاء أسباب قراراته واضحة. بدلاً من إخفاء قراراته في صندوق أسود، يبرز النظام أي قياسات قليلة هي الأكثر أهمية، مما يساعد الممارسين على استخدام الدعم الحاسوبي دون فقدان الثقة أو السيطرة.

مشكلات القلب والبيانات التي تقف وراءها

يحدث مرض القلب الإقفاري عندما يقل تدفق الدم إلى القلب، غالبًا بسبب انسداد الشرايين. ينظر الأطباء إلى العديد من عناصر المعلومات، مثل العمر، ضغط الدم، الكوليسترول، ألم الصدر، ونتائج فحوصات القلب. يجمع مجموعة بيانات القلب من UCI المستخدمة في هذا العمل 303 سجلات مرضى مع 13 عاملًا من هذا النوع بالإضافة إلى الوسم الذي يبين وجود المرض أو عدمه. ورغم أن هذا الغنى مفيد للتنبؤ، فإن وجود العديد من القياسات المتداخلة أو غير المفيدة يمكن أن يربك كلًا من البشر والحواسيب، ويبطئ التحليل، وأحيانًا يقلل الدقة.

تنقيح وتخفيض السجل الطبي

قبل أن يتعلم الحاسوب من البيانات، يجب تنظيف السجلات الخام وإعادة تشكيلها. ملأ الباحثون الأرقام المفقودة باستخدام طريقة تستعير المعلومات من مرضى مماثلين، وقاسوا كل القياسات إلى نطاق موحد، وحولوا الفئات الشبيهة بالنص مثل نوع ألم الصدر إلى شكل رقمي، وفحصوا بعناية القيم الشاذة لفصل الحالات القصوى الحقيقية عن الأخطاء المحتملة. كما ساوَوْا أعداد المرضى والاصحاء عن طريق توليد أمثلة إضافية واقعية للمجموعة الأصغر، وأزالوا الميزات التي تكاد تكون مكررة لبعضها. النتيجة جدول مرتب حيث كل عمود ذو معنى وجاهز للتحليل.

كيف ألهمت السناجب الطائرة اختيار الميزات

الفكرة الأساسية للدراسة هي أن الحاسوب لا يحتاج كل القياسات المتاحة ليعطي تنبؤات جيدة. بل يجب أن يبحث تلقائيًا عن مجموعة صغيرة من أكثرها معلوماتية. لتحقيق ذلك، يستخدم المؤلفون طريقة تحسين مستوحاة من كيفية بحث السناجب الطائرة عن الطعام في الغابة. في إجراء تحسين السنجاب الطائر المحسّن، تمثل كل «سنجاب» مجموعة محتملة من الميزات، وتتجول المجموعة مجتمعة عبر فضاء البحث، وتعدل حركاتها عندما يتعثر التقدم. تُحفظ التراكيب ذات الأداء الأفضل وتُصقل، باحثة عن أصغر مجموعة من القياسات التي لا تزال تدعم قرارات دقيقة للغاية.

تدريب النموذج وفتح الصندوق الأسود

بمجرد أن يختار البحث المستوحى من السناجب مجموعة ميزات مثلى، يتم تدريب نموذج الغابة العشوائية للتنبؤ بمن يعاني من مرض القلب. تستخدم الغابة العشوائية العديد من أشجار القرار المتباينة قليلًا التي تُجمع أصواتها معًا، مما يجعل التنبؤ النهائي مقاومًا للضوضاء في البيانات. على الميزات المختارة، يصل النموذج إلى دقة تقارب 96 إلى 98 بالمئة ودرجة عالية جدًا في تمييز المرضى المرضى عن الأصحاء. ولجعل منطقها مفهومًا، يطبق الباحثون بعد ذلك أداتين للتفسير. الأولى، المسماة SHAP، تظهر العوامل الأكثر تأثيرًا عبر مجموعة البيانات بأكملها، بينما الثانية، LIME، تركز على مريض واحد لتظهر كيف تدفع قيمه الخاصة التنبؤ نحو خطر أعلى أو أدنى.

ماذا يعني هذا للمرضى والأطباء

بعبارات بسيطة، تبني الدراسة مساعدًا لتنبؤ مرض القلب يكون حادًا وقادرًا على الشرح. عن طريق تقليص المدخلات إلى مجموعة قليلة من القياسات الرئيسية ثم استخدام تفسيرات بصرية واضحة، يمكن للنظام أن يخبر الطبيب ليس فقط أن مريضًا ما من المرجح أن يكون مصابًا بمرض القلب الإقفاري، بل أيضًا أي نتائج مثل نتيجة فحص معين أو مستوى تغير مرتبط بالجهد البدني تدفع هذا الحكم. هذا التوازن بين الدقة والبساطة والوضوح يجعل المنهج أكثر ملاءمة للاستخدام في العيادات الحقيقية، ويمكن توسيعه في المستقبل لمستشفيات أكبر ومصادر بيانات أغنى مثل أجهزة قابلة للارتداء والفحوصات التصويرية.

الاستشهاد: Cenitta, D., Arul, N., Arjunan, R.V. et al. An explainable artificial intelligence framework for ischemic heart disease prediction using enhanced squirrel search feature selection. Sci Rep 16, 15422 (2026). https://doi.org/10.1038/s41598-026-46823-0

الكلمات المفتاحية: مرض القلب الإقفاري, الذكاء الاصطناعي القابل للتفسير, تنبؤ بمرض القلب, اختيار الميزات, الغابة العشوائية