نموذج تضمين متعدد الوسائط لتمثيل بيانات الإنتان

لماذا يهم هذا لمرضى العدوى الشديدة

الإنتان هو استجابة سريعة وغالباً مميتة للعدوى، ويضطر الأطباء لاتخاذ قرارات مصيرية بناءً على بيانات مستشفوية غير مرتبة وغير مكتملة. تقدم هذه الدراسة طريقة جديدة لتحويل كل ما يعرفه المستشفى عن مريض الإنتان — أرقام من اختبارات المختبر وتقارير نصية حرة من الأطباء وأجهزة التصوير — إلى صورة رقمية واحدة غنية. يمكن بعد ذلك إعادة استخدام هذه الصورة لفرز المرضى إلى مجموعات ذات معنى بيولوجي وللتنبؤ بمن هم الأكثر عرضةً للوفاة، حتى عندما يتوفر عدد صغير فقط من الحالات المعنونة للتدريب.

صورة أذكى للإنتان من بيانات مستشفوية مختلطة

بنَى الباحثون نموذج تمثيل بيانات الإنتان، أو SepsisDRM، باستخدام سجلات 19,526 مريضاً بالإنتان عولجوا في مستشفى قوانغدونغ الإقليمي للطب الصيني وفروعه. ساهم كل مريض بنوعين من المعلومات. أولاً الإدخالات المهيكلة، مثل العمر، والأمراض الموجودة مسبقاً، ودرجات فشل الأعضاء، و31 قياساً مختبرياً روتينياً مثل مؤشرات الالتهاب وتخثر الدم ووظائف الكبد والكلى وشحوم الدم. ثانياً المصادر النصية غير المهيكلة، بما في ذلك نتائج زراعة الميكروبات وتقارير التصوير المقطعي من أطباء الأشعة. بدلاً من التعامل مع هذين التيارين بشكل منفصل، يعالج SepsisDRM الجداول بشبكة عصبية مصممة للأرقام والنصوص بنموذج لغوي حديث، ثم يدمج كلاهما في تمثيل مشترك لكل مريض.

التعلّم دون تسميات لكشف أنواع المرضى الخفية

لتجنب الحاجة إلى كميات كبيرة من الوسم الخبير، يستخدم SepsisDRM نهجاً يسمى التعلم التبايني (contrastive learning). يولد النموذج "مظاهر" مختلفة قليلاً لنفس سجل المريض ويتعلم تقريب تلك المظاهر في فضائه الداخلي، مع إبعاد سجلات المرضى الآخرين. بعد التدريب، يُمثّل كل مريض كنقطة واحدة في هذا الفضاء. ثم طبق الفريق تجميعاً (clustering) ووجد أن أربع مجموعات تمثل أفضل بنية للبيانات: مجموعة ذات التهاب مرتفع، مجموعة ذات التهاب منخفض، مجموعة متوسطة، ومجموعة فشل متعدد للأعضاء. اختلفت هذه العناقيد بوضوح في نتائج المختبر، وعبء الأمراض المزمنة، ومعدلات الوفاة داخل المستشفى، حيث كان أداء مجموعة فشل الأعضاء المتعدد الأسوأ ومجموعة الالتهاب المنخفض الأفضل.

ربط المجموعات الرقمية بالاستجابات العلاجية الحقيقية

تجاوز المؤلفون الوصف ليتساءلوا عما إذا كانت هذه المجموعات المستندة إلى البيانات يمكن أن توجه العلاج. فحصوا استخدام Xuebijing، وهو حقن مبني على الطب الصيني التقليدي يُستخدم على نطاق واسع كعلاج مساعد للإنتان في الصين. بعد مطابقة المرضى المعالجين وغير المعالجين بعناية من حيث العمر وفشل الأعضاء والأمراض المصاحبة، قارنوا معدلات الوفاة داخل كل نمط. لم يظهر Xuebijing فائدة واضحة في مجموعة الإنتان العامة وفي ثلاث من المجموعات الأربع، لكن في مجموعة الالتهاب المرتفع كان المرضى الذين تلقوا الدواء أقل عرضة للوفاة داخل المستشفى بشكل ملحوظ مقارنة بنظرائهم الذين لم يتلقوه، ما يشير إلى أن هذا العلاج قد يكون الأكثر فائدة لنمط بيولوجي محدد بدلاً من أن يكون مناسباً لجميع مرضى الإنتان.

التنبؤ بالبقاء على قيد الحياة لمدة 28 يوماً باستخدام حالات معنونة قليلة

لأن SepsisDRM يشفر بالفعل صورة مفصلة لكل مريض، استطاع الفريق تدريب مصنف بسيط فوق هذه الصور للتنبؤ بما إذا كان الشخص سيظل على قيد الحياة بعد 28 يوماً من الدخول. باستخدام مجموعات بيانات معنونة صغيرة فقط، وصل النموذج إلى دقة عالية: مساحات تحت منحنى ROC قيمتها 0.83 و0.82 على مجموعات اختبار استعادية ومستقبلية من نفس المستشفى، و0.69 في مستشفى خارجي بممارسات وأساليب توثيق مختلفة. في مقارنة مباشرة على مجموعة مستقبلية، كان SepsisDRM أكثر حساسية وأكثر اتساقاً من 11 طبيباً بشرياً بمستويات خبرة متفاوتة، حيث فشل في رصد عدد أقل من المرضى الذين توفوا لاحقاً مع الحفاظ على معدل عالٍ من التصنيفات "الآمنة" الصحيحة.

ماذا يعني هذا لمستقبل رعاية الإنتان

بعبارة بسيطة، توضح هذه الدراسة أن تمثيلاً رقمياً واحداً قابلاً لإعادة الاستخدام لمرضى الإنتان — مبنياً بشكل مشترك من أرقام المختبر والملاحظات النصية الحرة — يمكن أن يكشف عن أنماط مرضية ذات معنى ويتيح أدوات توقع نتائج دقيقة. لا يحل SepsisDRM محل الأطباء، لكنه يمكن أن يعمل كمساعد قرار: تمييز المرضى ذوي الخطورة العالية، وإبراز من قد يستفيد من علاجات محددة مثل Xuebijing، والقيام بذلك حتى في بيئات تعاني من ندرة البيانات الموسومة. يمكن تكييف نفس الاستراتيجية لحالات أخرى حيث يجمع المستشفى مزيجاً من القياسات المهيكلة والتقارير السردية، فاتحةً طريقاً نحو رعاية حرجة أكثر دقة واستنادية على البيانات.

الاستشهاد: Liu, T., Li, Y., Chen, H. et al. A multimodal embedding model for sepsis data representation. npj Digit. Med. 9, 272 (2026). https://doi.org/10.1038/s41746-026-02446-3

الكلمات المفتاحية: أنماط الإنتان, التضمينات متعددة الوسائط, التنبؤ السريري, الذكاء الاصطناعي في العناية المركزة, تصنيف المعالجات