الاستفادة من التعلم الآلي متعدد الوسائط لتحديد مخاطر العنف بين الشركاء بدقة

لماذا تُهم العلامات التحذيرية الخفية

غالباً ما يبقى العنف في العلاقة العاطفية سريّاً، حتى عن الأطباء الذين يرون الإصابات الناجمة عنه. ومع ذلك تخزن السجلات الطبية في صمت سنوات من الأدلة: زيارات متكررة للطوارئ، أنماط محددة من الإصابات، وملاحظات حول الألم أو القلق. يسأل هذا البحث ما إذا كانت الحواسيب قادرة على قراءة تلك الأدلة بسرعة وموثوقية أكبر من أسئلة الفحص البسيطة المتداولة اليوم، بحيث يمكن تقديم المساعدة للنساء المعرضات لخطر العنف من الشريك قبل أن يصل الوضع إلى نقطة أزمة.

تحويل الرعاية اليومية إلى نظام إنذار مبكر

استند الباحثون إلى السجلات الطبية الإلكترونية من مستشفيين كبيرين في الولايات المتحدة، مع التركيز على النساء اللواتي شاركن في برنامج تدخل ضد إساءة المعاملة أو اللواتي حملن تشخيصات طبية مرتبطة بالعنف من الشريك. لكل امرأة من هؤلاء اختاروا مرضى مشابهين من نفس الفئة العمرية والخلفية العامة دون سجل موثق لإساءة المعاملة، فكوّنوا مجموعة مقارنة مطابقة بعناية. بدءاً من عام 2017، أسهم كل تواصل لهؤلاء المرضى مع نظام المستشفى بالبيانات—التشخيصات، الأدوية، دراسات التصوير، العلامات الحيوية، زيارات الطوارئ، والملاحظات السريرية مثل تقارير الأشعة أو ملخصات الأخصائيين الاجتماعيين.

تعليم الحواسيب قراءة الأرقام والسرد

بنى الفريق ثلاثة أنواع من النماذج التنبؤية، كل منها مصمم لمستوى مختلف من وفرة البيانات في العيادات الواقعية. اعتمد نموذج واحد على المعلومات المهيكلة فقط، مثل رموز التشخيص، تاريخ الأدوية، وعدد اختبارات التصوير المعينة. اعتمد نموذج ثاني على الملاحظات النصية فقط، التي حُوِّلت إلى تمثيلات رقمية باستخدام نماذج لغوية طبية حديثة مُدربة في الأصل على ملايين الجمل السريرية. أما النموذج الثالث، «الاندماجي»، فجمع المصدرين معاً: استخرج أنماطاً من الجداول ومن السرد، ثم أدخل المعلومات المدمجة إلى مصنف تعلّم آلي. دُرِّبت كل النماذج للإجابة عن سؤال يومي أثناء كل تواصل مع المستشفى: هل تُظهر هذه المريضة إشارات قد تدل على أنها تتعرض لعنف من الشريك؟

مدى فاعلية إشارات الخطر

عند اختباره على نساء لم تُستخدم بياناتهن في التدريب، تمكنت النماذج الثلاثة من تمييز المصابات المعروفة عن نظرائهن المطابقات بدقة عالية. يُلخّص الأداء بمقياس يُدعى AUC، حيث 1.0 تمثل الكمال و0.5 لا تفوق الصدفة. بلغ AUC لنموذج الجداول فقط نحو 0.85، ولنموذج الملاحظات فقط نحو 0.87، وللنموذج الاندماجي نحو 0.88. والأهم أن هذه النتائج بقيت متينة عند تطبيق النماذج على مجموعات جديدة: نساء التحقن ببرنامج التدخل في سنوات لاحقة، ونساء في مستشفى ثانٍ ضمن نفس الشبكة، ونساء لديهن تشخيصات مرتبطة بالإساءة لكن لم يدخلن برنامجاً متخصصاً. في جميع الحالات، ظل النموذج الاندماجي فوق AUC بقيمة 0.8، مما يشير إلى أن مزج الأرقام والنص يجعل النظام دقيقاً ومستقراً عبر سياقات مختلفة.

رؤية أنماط قبل سنوات من طلب النساء للمساعدة

بخلاف التمييز بين الحالات والمراقبة، كثيراً ما تعرفت النماذج على مشكلات قبل أن تفصح النساء عن الإساءة للأخصائيين. بمقارنة أول تاريخ أشار فيه النموذج إلى خطر مرتفع مع تاريخ دخول المرأة برنامج التدخل، وجد الباحثون فترات «تقدم» متوسطة تزيد عن ثلاث سنوات، مع حالات عديدة أُشير إليها قبل أربع أو خمس سنوات. حدّد النموذج المركب نسبة أكبر من حالات الإساءة المستقبلية مبكراً، بينما كان نموذج الجداول فقط أحياناً يمنح إشعاراً مسبقاً أطول قليلاً للحالات التي اكتشفها. أظهر تحليل للميزات المهيكلة أنماط خطر تتوافق مع بحث سريري سابق: زيارات طارئة متكررة، دراسات تصوير لأطراف علوية معينة، استخدام مرتفع لمسكنات الألم، تشخيصات صحة نفسية، وعلامات ضائقة اجتماعية رُبطت جميعها بمخاطر متوقعة أعلى، بينما كانت فحوصات الوقاية الروتينية مثل تصوير الثدي الشعاعي مرتبطة عموماً بمخاطر أقل.

استخدام درجات المخاطر دون نزع السيطرة

يؤكد المؤلفون أن هذه الأدوات لا تهدف إلى «تشخيص» الإساءة أو تجاوز صوت المرأة. بدلاً من ذلك، يتصورون تشغيل النماذج بهدوء في خلفية أنظمة السجلات الإلكترونية، لتوفر للأطباء درجة خطر خاصة يمكن أن تحفز محادثات لطيفة ومراعية للصدمات وإحالات في الوقت المناسب للدعم الاجتماعي والقانوني. ويحذرون أيضاً من أن البيانات تعكس فقط النساء اللواتي وُثقت إساءتهن أو طلبن المساعدة، ما يعني أن بعض المجموعات قد تظل ممثلة تمثيلاً ناقصاً. قبل الانتشار الواسع، ستحتاج المستشفيات إلى اختبار الأداء على مجموعات عامة أكثر، ومراقبة التحيّز، وتصميم ضوابط دقيقة تضمن أن الدرجات المشيرة تؤدي إلى عروض مساندة رحيمة—لا إلى ضغط أو فقدان الاستقلال. إذا استعملت بهذه الطريقة، قد يحول التعلم الآلي متعدد الوسائط اللقاءات الطبية اليومية إلى بوابة مبكرة وأكثر موثوقية نحو الأمان للأشخاص المعرضين للعنف الأسري.

الاستشهاد: Gu, J., Carballo, K.V., Ma, Y. et al. Leveraging multimodal machine learning for accurate risk identification of intimate partner violence. npj Womens Health 4, 15 (2026). https://doi.org/10.1038/s44294-025-00126-3

الكلمات المفتاحية: العنف بين الشركاء, السجلات الطبية الإلكترونية, التعلّم الآلي, البيانات متعددة الوسائط, الكشف المبكر عن المخاطر