نموذج تعلم عميق يدمج البيانات المهيكلة والنص السريري للتنبؤ بعودة الرجفان الأذيني

لماذا هذا مهم للأشخاص الذين يعانون من اضطراب نبض القلب

الرجفان الأذيني، وهو اضطراب شائع في إيقاع القلب، يعود غالبًا حتى بعد أن يخضع المرضى لإجراء تبخير/تجميد بالقسطرة، وهو إجراء تدخلِي يهدف إلى استعادة نبض القلب الطبيعي. يبقى الكثير من المرضى وأطبائهم يتسائلون: من هم الأكثر عرضة لعودة المشكلة، ومن يمكنه الاطمئنان؟ تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن ينقي كلًّا من الأرقام وملاحظات الأطباء في السجل الطبي لتقديم توقع أكثر دقة لاحتمال عودة الرجفان الأذيني، ما قد يوجّه الرعاية اللاحقة ويمنع الحاجة لإجراءات متكررة.

مشكلة إيقاع قلبي صعبة غالبًا ما تعاود الظهور

يُستخدم إجراء التبخير/التجميد بالقسطرة على نطاق واسع لعلاج الرجفان الأذيني عن طريق حرق أو تجميد مناطق صغيرة داخل القلب التي تثير أو تحافظ على النظم غير الطبيعية. ومع ذلك، يعاني 30–50% من المرضى عودة لاضطراب النبض خلال سنة، مما قد يستلزم في بعض الأحيان إجراءً آخر. تعطي درجات المخاطر الموجودة، المبنية في الغالب على عدد محدود من القياسات مثل حجم حجرات القلب ونوع الرجفان الأذيني، صورة جزئية فقط. فهي عادةً تتجاهل تفاصيل غنية حول كيفية تنفيذ الإجراء، ومظهر القلب في الفحص بالموجات فوق الصوتية، وفروق دقيقة في حالة المريض العامة التي تنغمس في تقارير نصية. ونتيجة لذلك، لا يزال الأطباء يواجهون صعوبة في تحديد من يحتاج فعلاً إلى متابعة دقيقة أو علاج وقائي إضافي.

تحويل بيانات المستشفى الروتينية إلى أداة توقع أذكى

جمعت مجموعة باحثين في الصين معلومات من 2,508 مرضى خضعوا لتبخير/تجميد الرجفان الأذيني في خمسة مستشفيات بين 2015 و2024. كان المريض النمطي بعمر 65 عامًا، وحوالي واحد من كل خمسة حدثت له معاودة لعدم انتظام النبض خلال متابعة وسطية تقارب ثلاث سنوات. جمع الفريق لكل مريض بيانات مهيكلة — مثل العمر، وضغط الدم، ونتائج فحوصات الدم، وحجم حجرات القلب، ودرجات المخاطرة الموجودة — بالإضافة إلى نص غير مهيكل، شمل ملخصات مراقبة القلب لمدة 24 ساعة، وتقارير الموجات فوق الصوتية، وملاحظات إجراء مفصّلة كتبها أخصائيو الكهرباء القلبية. ثم بنوا نموذج تعلم عميق ذو فرعين: فرع واحد يعالج البيانات العددية والفئوية، بينما استخدم الفرع الآخر نماذج لغوية كبيرة لتحويل التقارير النصية الحرة إلى ميزات كمية يمكن دمجها مع الأرقام.

كيف تقرأ نماذج اللغة المتقدمة ملاحظات الأطباء

اعتمد فرع النص في النظام على أربعة نماذج لغوية كبيرة حديثة، تدربت في الأصل على مجموعات ضخمة من المواد المكتوبة، ثم تكيّفت مع اللغة الطبية. تم ضبط هذه النماذج بدقة على تقارير مستشفى مُعزولة الهوية حتى تفهم المصطلحات والأنماط المتخصصة بشكل أفضل. قارنت الدراسة بين نماذج لغوية مختلفة لاكتشاف أيها ينتج ميزات نصية تتنبأ بالمعاودة على نحو أفضل. النموذج الذي تميز كان MedGemma، وهو نموذج مُحسّن خصيصًا للمحتوى الطبي. عندما اندمجت ميزاته النصية مع فرع البيانات المهيكلة، أظهر النموذج الناتج «MedGemma‑Fusion» دقة لافتة، مع مساحات تحت منحنى المستقبل‑المشغّل تفوق 0.90 في التدريب والتحقق والاختبار المستقل عبر المستشفيات. وهذا يعني أن النموذج يمكنه التمييز بثقة بين المرضى الذين سيظلون خالين من اضطراب النظم ومن الذين لن يظلوا.

إلقاء نظرة داخل الصندوق الأسود للذكاء الاصطناعي

لفهم ما الذي يستخدمه النموذج فعلاً لاتخاذ التنبؤات، طبّق الباحثون أدوات تفسيرية تقدر تأثير كل مدخل. في البيانات المهيكلة، حملت عوامل سريرية مألوفة مثل مدة المعاناة من الرجفان الأذيني، وحجم الأذين الأيسر، وما إذا كان الإيقاع متقطعًا أم مستمرًا، الوزن الأكبر. من جانب النص، صعدت مفاهيم رئيسية مرتبطة بإجراءات التبخير/التجميد — مثل وصف الأوردة الرئوية والجهود الكهربائية — إلى مقدمة العوامل، مما يعكس خطوات مركزية لنجاح العلاج. كما كانت المصطلحات المتعلقة بحركة القلب في تقارير الموجات فوق الصوتية مهمة أيضًا، بما يتوافق مع فكرة أن تغيّرات حركة الأذينين تشير إلى تلف طويل الأمد. بالمقابل، ساهمت ملخصات مراقبة القلب على مدى 24 ساعة بنسبة ضئيلة نسبيًا، ربما لأن العديد من المرضى ذوي الرجفان الأذيني المتقطع يظهرون نظمًا طبيعية أثناء فترات المراقبة القصيرة.

من نموذج بحثي إلى قرارات على السرير السريري

بعيدًا عن الدقة الخام، اختبر الفريق مدى نجاح أداتهم في فصل المرضى إلى مجموعات عالية ومنخفضة المخاطر باستخدام تحليلات البقاء. أظهر المرضى الذين وُسموا كذوي مخاطر عالية بواسطة MedGemma‑Fusion معدلات معاودة أعلى بوضوح مع مرور الوقت. وأشارت تحليلات منحنى القرار إلى أنه، عبر العديد من العتبات المعقولة، فإن استخدام النموذج لتوجيه الرعاية سيقدّم منفعة صافية أكبر من الاعتماد على الدرجات التقليدية أو قياسات مفردة بمفردها. مع ذلك يؤكد المؤلفون تحفّظات مهمة: فالدراسة استعادية، وأحجام العينات — رغم أنها كبيرة لمشروع واحد — متواضعة بالنسبة للتعلم العميق، وطرائق التقارير اختلفت بين المستشفيات. ستحتاج النسخ المستقبلية من نماذج اللغة الكبيرة واختبارات أوسع في أنظمة صحية أخرى قبل أن تصبح مثل هذه الأدوات روتينية. ومع ذلك، يوضح هذا العمل كيف أن الجمع بين الأرقام اليومية في السجل والتفاصيل المخفية في التقارير السردية يمكن أن يشحذ التنبؤات وقد يساعد في نهاية المطاف على تكييف المتابعة وشدة العلاج للأشخاص الذين يعيشون مع الرجفان الأذيني.

الاستشهاد: Jia, S., Yin, Y., Guan, Y. et al. A deep learning model integrating structured data and clinical text for predicting atrial fibrillation recurrence. npj Digit. Med. 9, 253 (2026). https://doi.org/10.1038/s41746-026-02436-5

الكلمات المفتاحية: الرجفان الأذيني, تبخير/تجميد بالقسطرة, التعلم العميق, تنقيب النصوص السريرية, تنبؤ الخطر