24 فبراير 2019
توصل بحث جديد بمركز الملك عبد الله العالمي للأبحاث الطبية إلى أنه يمكن لأساليب التعلُّم الآلي التعرُّف بفاعليةعلى الأشخاص الأكثر عرضةًللإصابة بالأمراض مثل داءالسكري.
قَيَّمَ فريق بحثي بقيادة شريف صقر-أستاذعلومالحاسب الآليفيجامعةالملكسعودبنعبدالعزيزللعلومالصحيةالتابعة للشؤون الصحية بوزارة الحرس الوطني-مدى نجاحأساليب التعلُّم الآلي في توقع الإصابة بمرض السكري لدىالمشاركينفي مشروع هنري فورد لاختبار ممارسة التمارين الرياضية (FIT)، الذي جمع بيانات أيضية وطبية وديموجرافية لآلاف الأشخاصبعد خضوعهم لاختبارالإجهاد في أثناء التَّدَرُّب على جهاز المشي.
استخدم فريقصقربيانات لما يربو على32 ألفمشاركممنخضعوا للمتابعة مدةَخمسة أعوام بعد الاختبار، ولم يكن لديهم تاريخ سابق من الإصابة بأمراض القلب والشرايين. ووجدوا أن نحو خمسة آلاف منهمأصيبوا بمرض السكري بحلول وقت المتابعة.
كان هدف صقر هو تحديد أي خوارزميات التعلُّم الآلي يمكنها توقُّع احتمالية الإصابة بالسكريبدقة عالية وبشكل موثوق. يقول صقر: "لو تمكنَّا من تحديد الأشخاص الأكثر عرضة للإصابة بالمرض، فإن ذلك سيوفر الكثير من الأموال والموارد،وسيُسهِم في تحسين خدمات الرعاية الصحية. كما أن علاج الأشخاص قبل الإصابة بالمرض يكون أكثرفاعليةًوكفاءة". ويعتقد صقر أن التعلُّم الآلي يمكنهتحقيق هذا الهدف.
حدد الفريق 13 متغيرًاإكلينيكيًّا في بيانات مشروع هنري فورد لاختبار ممارسة التمارين الرياضية، واختبروا العديد من خوارزميات التصنيف لتحديد مدى نجاحها في توقع احتمالات الإصابة بمرض السكري. كانوا يأملون استخدام أقل عدد ممكن من المتغيرات لكي يكون النموذج أكثر عملية. في البداية، بلغت نسبة كفاءة الخوارزميات 70%، ولم تتفوق إحداهاعلى الأخرى في هذا الصدد.
ومع ذلك، تعاني بيانات مشروعFITاختلالًافي التوازن يشيعفي أغلب مجموعات بيانات الرعاية الصحية، إذ يتوافر الكثير ممن يمثلون إحدى الفئاتدون غيرها– مثل توافر عدد أكبر بكثير من أولئك الذين يتمتعون بصحة جيدةمقارنةًبغيرهم ممن يعانون أمراضًا. هذا الاختلال يعوق الخوارزميات،ويشكل تحديًا كبيرًافي هذاالمشروع.
ولتصحيح هذا الأمر،اختبر فريق صقر نهجين؛إذوجدوا أناستبعاد نقاط قياس من الفئة الأكثر عددًا (ذوي الصحة الجيدة) للحد من التبايُن، أثرتأثيرًا ضئيلًا على أداء الخوارزميات،في حين أدت زيادة حجم الفئة الأقل عددًا (المُعتلِّين صحيًّا أوذويالعلل) بواسطة توليد بيانات جديدة عشوائية بخصائص مماثلة،إلى تحسُّن الأداء بدرجة كبيرةوارتفاع نسبة كفاءته إلى 92% تقريبًا، أي أفضل كثيرًا من التقنيات الإحصائية التقليدية.
أظهرت الدراسة بوضوح أن التعلُّم الآلي يمكنهتحديد الأشخاص الأكثر عرضةًللإصابة بالأمراض، مما يحسِّن من الجهود المبذولة للوقاية من المرض ويوجه إدارة موارد المستشفيات.
صقر، الذي يخطط للتحقق من صلاحية هذه النماذج بالاستعانةبمجوعة أخرى من البيانات، والذي يعمل على تطوير نماذج من شأنها التوقع بدقة لاحتمالية الإصابة بالعديد من الأمراض الأخرى المهمة، يقول:"ثمة كميات ضخمة من البيانات في مجال الرعاية الصحية، غير أنها لم تُستخدم حتى الآن على النحو الفعال".
References
Alghamdi, M., Al-Mallah, M., Keteyian, S., Brawner, C., Ehrman, J. et al. Predicting diabetes mellitus using SMOTE and ensemble machine learning approach: The Henry Ford ExercIse Testing project. PLOS One12, e0179805 (2017). | article
