ابتكار بنية بيانات طبية متطورة لتحسين توقعات خطر الاستشفاء لدى كبار السن

إن التقدم في مجال التعلم العميق (Deep Learning) قد أوجد تحولًا كبيرًا في كيفية تقييم المخاطر الصحية، خاصة بين كبار السن الذين يعانون من حالات مرضية متعددة. ومع ذلك، فإن السؤال الذي يطرح نفسه هنا هو: هل هذه النماذج المتقدمة أفضل حقًا من النماذج التقليدية الأكثر بساطة مثل الانحدار اللوجستي (Logistic Regression)؟

في بحث حديث تناولناه، تم تطبيق بنية بيانات طبية متطورة على بيانات المرضى في CPRD Aurum، والتي تغطي 260 حالة طبية مصنفة عبر إطار عمل آلي متعدد المستويات يتضمن منطق اكتشاف متخصص لـ 17 حالة معقدة. الهدف كان تقييم دقة نماذج مختلفة من خلال قياس خطر الاستشفاء الطارئ على مدى 12 شهرًا، في سياق زيادة المخاطر المرتبطة بردود الفعل السلبية للأدوية.

تمت المقارنة بين شبكة العصبية التلافيفية الزمنية (Temporal Graph Convolutional Neural Networks - TG-CNN) ونموذج الانحدار اللوجستي مع تنظيم LASSO (LASSO Regression) والغابات العشوائية (Random Forests). ووجدنا أن نموذج TG-CNN حقق متوسط AUC-ROC أعلى بقليل من LASSO (0.712 مقابل 0.705)، ولكن عند تطبيق النموذج على مجموعة الاختبار، برز LASSO كأفضل نموذج من حيث الدقة (AUC-ROC 0.733) مقارنة بالنماذج الأخرى.

من المثير للاهتمام، أن القابلية للتفسير والتوافق كانت عوامل حاسمة، حيث أثبت LASSO أن له انحدارًا مقبولاً في التقدير (0.817)، بينما تبقى النماذج الأخرى مثل Random Forest (0.759) و TG-CNN (0.391) غير متوافقة بدرجة كبيرة.

هذا البحث يقدم دروسًا مهمة للمجتمع العلمي والقطاع الصحي بشأن أهمية بنية البيانات، واختيار النماذج، بالإضافة إلى قيمة التوافق والقابلية للتفسير في اتخاذ القرارات ذات الأهمية الكبيرة.