التعلم الآلي والتحليلات التنبؤية في الرعاية السريرية

يستخدم التعلم الآلي والتحليلات التنبؤية الأنماط في البيانات السريرية والصحية لتقدير احتمالية النتائج، مثل التشخيص أو التدهور أو إعادة الإدخال إلى المستشفى أو الاستجابة للعلاج، للمرضى الأفراد. يغطي هذا الموضوع كيفية تطوير نماذج التنبؤ السريري والتحقق منها والإبلاغ عنها، والمعايير المنهجية التي تميز النماذج الجديرة بالثقة عن تلك المضللة.

Definition

التعلم الآلي السريري هو استخدام الخوارزميات التي تتعلم العلاقات الإحصائية من بيانات المرضى للتنبؤ بالنتائج ذات الصلة سريريًا؛ يجمع نموذج التنبؤ السريري بين عدة مؤشرات للتنبؤ لتقدير احتمالية التشخيص (تشخيصي) أو حدث مستقبلي (إنذاري) لفرد.

Scope

يغطي المدخل التعلم الخاضع للإشراف للتشخيص والإنذار، ومصادر البيانات والميزات المستخدمة في البيئات السريرية، ومفاهيم التحقق المركزية للتمييز والمعايرة والتحقق الخارجي، ومخاطر التحيز والإفراط في الملاءمة (overfitting)، ومعايير الإبلاغ والتقييم مثل TRIPOD وPROBAST. إنه يؤطر التعلم الآلي السريري كموضوع منهجي، يصف كيفية بناء الأدوات التنبؤية والحكم عليها بدلاً من تقديم توصيات سريرية.

Key concepts

• التعلم الخاضع للإشراف (التشخيص والإنذار)
• التمييز والمعايرة والفائدة السريرية
• التحقق الداخلي والخارجي
• الإفراط في الملاءمة والتفاؤل
• تحول مجموعة البيانات وقابلية التعميم
• التحيز الخوارزمي والعدالة
• معايير الإبلاغ (TRIPOD) وتقييم مخاطر التحيز (PROBAST)
• التعلم العميق وتعلم الميزات

Mechanisms

يتم ملاءمة نموذج التنبؤ السريري على بيانات معلمة، ليتعلم كيف ترتبط المؤشرات التنبؤية بالنتيجة، ثم يتم تقييمه من حيث التمييز (مدى قدرته على فصل أولئك الذين يعانون من النتيجة عن أولئك الذين لا يعانون منها) والمعايرة (مدى تطابق الاحتمالات المتوقعة مع الترددات المرصودة). نظرًا لأن النماذج تميل إلى الأداء بتفاؤل على البيانات التي دربتها، فإن التحقق الداخلي، وخاصة التحقق الخارجي على مجموعات سكانية جديدة، أمر ضروري، ويمكن أن يتعرض النشر للخطر بسبب تحول مجموعة البيانات (dataset shift) عندما تختلف البيئة المستهدفة عن بيئة التطوير (Rajkomar, 2019). يوسع التعلم العميق هذه الأفكار من خلال تعلم الميزات مباشرة من المدخلات الخام مثل الصور أو الإشارات أو النصوص، مما يمكن أن يحسن الأداء في المهام الإدراكية مع تعقيد قابلية التفسير (Esteva, 2019).

Clinical relevance

تغذي النماذج التنبؤية بشكل متزايد درجات المخاطر، وتنبيهات الإنذار المبكر، وأدوات الفرز المدمجة في الأنظمة السريرية، لذا فإن دقتها ومعايرتها وعدالتها تؤثر بشكل مباشر على جودة الإرشادات التي يتلقاها الأطباء. يصف هذا المدخل كيفية تطوير وتقييم هذه النماذج؛ مخرجات النموذج هي تقديرات احتمالية تتطلب تفسيرًا وإشرافًا سريريًا، والنص ليس أساسًا لأي قرار تشخيصي أو علاجي فردي.

Evidence & guidelines

يؤكد الإجماع المنهجي على التطوير الشفاف والتحقق الصارم. تحدد بيان TRIPOD معايير الإبلاغ لدراسات نماذج التنبؤ بحيث يمكن تقييم الأساليب والأداء (Collins, 2015)، ويوفر PROBAST أداة منظمة للحكم على مخاطر التحيز وقابلية التطبيق في مثل هذه الدراسات (Wolff, 2019). تؤكد مراجعات التعلم الآلي في الطب على التحقق الخارجي، والمعايرة، والاهتمام بالتحيز، والفجوة بين الأداء الاستعادي والفائدة السريرية المستقبلية (Rajkomar, 2019; Esteva, 2019).

History

للتنبؤ السريري جذور طويلة في درجات المخاطر القائمة على الانحدار، لكن عقد 2010 شهد نموًا سريعًا للتعلم الآلي والتعلم العميق الذي تغذيه السجلات الصحية الإلكترونية والتصوير ومجموعات البيانات الأكبر. إلى جانب ذلك، ازداد القلق بشأن قابلية التكرار، والأداء المبالغ فيه، والتحيز، مما دفع إلى وضع أطر للإبلاغ والتقييم (TRIPOD, PROBAST) تهدف إلى إخضاع دراسات النماذج لمعايير منهجية متسقة.

Debates

لماذا يكون أداء العديد من النماذج أسوأ في الممارسة العملية منه في دراسات التطوير؟

التحقق الخارجي غير الكافي، وتحول مجموعة البيانات بين إعدادات التطوير والنشر، والإبلاغ المتفائل يعني أن الأداء الاستعادي القوي غالبًا ما يفشل في الترجمة إلى فائدة سريرية مستقبلية، مما يحفز معايير تحقق وإبلاغ أكثر صرامة.

كيف ينبغي التعامل مع التحيز الخوارزمي والعدالة؟

يمكن للنماذج المدربة على البيانات التاريخية أن ترمز وتضخم التفاوتات، مما يثير النقاش حول كيفية قياس العدالة، ومتى تكون اختلافات الأداء عبر المجموعات مقبولة، وكيفية مراقبة النماذج المنشورة للتحيز بمرور الوقت.

Key figures

• Alvin Rajkomar
• Gary S. Collins
• Karel G. M. Moons
• Isaac Kohane

Seminal works

• rajkomar-2019
• collins-2015
• wolff-2019

Frequently asked questions

ما الفرق بين التمييز والمعايرة؟

التمييز هو قدرة النموذج على ترتيب المرضى بحيث يحصل أولئك الذين يعانون من النتيجة على مخاطر متوقعة أعلى من أولئك الذين لا يعانون منها، بينما المعايرة هي التوافق بين الاحتمالات المتوقعة والترددات المرصودة؛ يمكن لنموذج أن يميز جيدًا ولكنه قد يكون غير معاير بشكل جيد، لذا كلاهما مهم.

لماذا يعتبر التحقق الخارجي مهمًا لنماذج التنبؤ السريري؟

غالبًا ما تؤدي النماذج بشكل متفائل على البيانات المستخدمة لبنائها؛ يكشف الاختبار على مجموعات سكانية وإعدادات مستقلة عن مدى تعميم النموذج ويحمي من نشر أدوات تفشل عندما يختلف مزيج الحالات أو التوثيق عن بيانات التطوير.