نماذج تعلم آلي قابلة للتفسير للتنبؤ بمخاطر السكتة الدماغية لدى المرضى الذين تم تشخيص الرجفان الأذيني حديثًا

لماذا يهم توقع خطر السكتة الدماغية

الرجفان الأذيني، وهو اضطراب شائع في نظم القلب، يزيد بشكل كبير من احتمال الإصابة بالسكتة الدماغية. يعتمد الأطباء حاليًا على مقياس بسيط يعتمد على نقاط لاتخاذ قرار بشأن من يجب أن يتلقى أدوية مميعة للدم، لكن هذا المقياس يغفل غالبًا مرضى عرضة للخطر وقد يصنف بعض الأشخاص منخفضي المخاطر بشكل مبالغ فيه باعتبارهم بحاجة للعلاج. يستقصي هذا البحث ما إذا كانت نماذج حاسوبية أذكى، ومع ذلك مفهومة، تستطيع أن تُقدِّر خطر السكتة القصير الأمد بدقة أكبر باستخدام المعلومات المتوفرة بالفعل في كل عيادة: العمر، الأمراض الموجودة سابقًا، والأدوية الشائعة.

مشكلة قلبية شائعة ذات عواقب خطيرة

يصيب الرجفان الأذيني عشرات الملايين من الناس حول العالم ويعد سببًا رئيسيًا للسكتات التي تُسبب إعاقة أو وفاة. وحتى مع مضادات التخثر الحديثة، يبقى كثير من المرضى معرضين للخطر، خاصة خلال السنة الأولى بعد تشخيص اضطراب نظم القلب. الأداة الأكثر استخدامًا اليوم، درجة CHA₂DS₂‑VASc، تمنح نقاطًا لعوامل مثل العمر، وارتفاع ضغط الدم، والسكتة السابقة. وعلى الرغم من بساطتها، فإنها لا تستطيع التقاط أنماط أكثر دقة في التاريخ الطبي للفرد وغالبًا ما تكون دقتها متواضعة في التنبؤ بمن سيصاب بسكتة مع مرور الزمن.

بناء أدوات مخاطرة أذكى وسهلة الاستخدام

استند الباحثون إلى السجلات الصحية الإلكترونية لأكثر من 9500 بالغ في مستشفى كبير بتايوان تم تشخيصهم حديثًا بالرجفان الأذيني. ثم اختبروا نماذجهم في فرعين مستشفى منفصلين شملوا أكثر من 2500 مريض إضافي. وبدلاً من الاعتماد على فحوص معملية معقدة أو تصوير، قيدوا عمدًا المدخلات لتشمل العمر، والأمراض المزمنة مثل السكري وارتفاع ضغط الدم، والاستخدام الأخير لأدوية شائعة مثل مضادات التخثر، وأدوية نظم القلب، وأقراص السكري. باستخدام هذه المعلومات الأساسية، بنوا نوعين من النماذج الحاسوبية: نموذج انحدار لوجستي تقليدي، يتصرف مثل قائمة مرجحة شفافة، ونموذج تعزيز تدريجي متطرف أكثر مرونة، قادر على التقاط علاقات معقدة وغير خطية. صُمِّم كلا النموذجين لإخراج احتمال مخصص للإصابة بسكتة خلال سنة واحدة من التشخيص.

اختبار الدقة والعدالة وفائدة العالم الحقيقي

عند مقارنة النماذج الجديدة بالمقياس القياسي، كانت أفضل بكثير في تصنيف المرضى إلى من سيتعرض ومن لن يتعرض للسكتة. في كل من مجموعة المستشفى الأصلية والمجموعات الخارجية، تمكنت نماذج التعلم الآلي من تمييز المرضى عاليي ومنخفضي الخطر بشكل صحيح بحوالي 90% من الوقت، بينما كانت دقة المقياس القياسي أقرب إلى ثلثي الحالات. كما أنتجت الأدوات الجديدة تقديرات مخاطرة تطابقت بشكل أوثق مع معدلات السكتة المرصودة، وهي خاصية مهمة لاتخاذ قرارات موثوقة. ومن المهم أيضًا أنه عندما فحص الباحثون الأداء بشكل منفصل لدى النساء والرجال، لم يجدوا فروقًا ذات دلالة، مما يشير إلى أن النماذج لم تُفضل جنسًا على الآخر بشكل غير عادل، على عكس المقياس القديم الذي يضيف تلقائيًا نقطة لكون المريض أنثى.

من التنبؤات إلى قرارات علاجية أفضل

لرؤية ما إذا كانت هذه التنبؤات المحسّنة قد تغيّر الرعاية، استخدم الفريق تحليل منحنى القرار، وهي طريقة توازن بين فوائد منع السكتات وأضرار العلاج غير الضروري. عبر نطاق واسع من عتبات العلاج، قدّمت النماذج كلاهما منفعة أكبر بكثير من المقياس القياسي، وحددت أكثر من 100 مريض عالي الخطر إضافي لكل 1000 مريض دون زيادة في استخدام مضادات التخثر غير المبررة. على مدى متابعة ثلاثة إلى خمسة أعوام، استفاد المرضى المصنفون عاليي الخطر بواسطة النماذج الجديدة بوضوح من تناول مضادات التخثر الحديثة: كانت معدلات السكتة لديهم أقل مقارنة بمرضى عاليي الخطر المشابهين الذين لم يتلقوا هذه الأدوية، بينما لم يظهر الأشخاص المصنفون منخفضي الخطر فائدة واضحة. في المقابل، أظهرت المجموعات المعرفة كمجموعة عالية أو منخفضة الخطر بواسطة المقياس القديم أنماطًا مربكة أو معكوسة في بعض الأحيان، مما يشير إلى سوء تصنيف. كما استخدم الباحثون تقنيات تفسير بصرية لبيان كيف دفعت عوامل محددة، مثل السكتة السابقة أو العمر أو استخدام أدوية نظم القلب المعينة، تقدير مخاطر الفرد أعلى أو أقل، مما يساعد على جعل منطق النماذج أكثر شفافية للأطباء.

ماذا يعني هذا للمرضى والأطباء

تُظهر هذه الدراسة أنه من الممكن بناء أدوات دقيقة ومفهومة لتقدير مخاطر السكتة باستخدام معلومات متاحة بالفعل عند تشخيص الرجفان الأذيني. من خلال تحديد من يواجه خطرًا حقيقيًا مرتفعًا على المدى القصير بشكل أفضل، يمكن أن تساعد هذه النماذج الأطباء على وصف مضادات التخثر بثقة أكبر لأولئك الذين يحتاجونها بشدة، مع تجنب العلاج غير الضروري لدى الأشخاص ذوي المخاطر المنخفضة. ورغم الحاجة إلى مزيد من الاختبارات في دول وأنظمة صحية أخرى، تشير هذه الدراسة إلى مستقبل تُوجّه فيه القرارات السريرية اليومية بأدوات معتمدة على البيانات وبديهية تخص الوقاية من السكتة لكل مريض على حدة.

الاستشهاد: Lin, J.CW., Chang, CM., Pan, HY. et al. Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation. npj Digit. Med. 9, 289 (2026). https://doi.org/10.1038/s41746-026-02470-3

الكلمات المفتاحية: الرجفان الأذيني, التنبؤ بالسكتة الدماغية, تعلم آلي, تصنيف المخاطر, العلاج بمضادات التخثر