في عالم الرعاية الصحية الحديث، تعتبر دقة تصنيف حالات فقدان القلب بعد خروج المرضى من المستشفى مسألة حيوية لضمان تقديم الرعاية المناسبة والمتابعة المناسبة. ومع ذلك، فإن التحديات تكمن في وجود سجلات طبية غير مكتملة وفي عدم توازن البيانات بين الفئات، مما يزيد من مخاطر عدم التعرف على الحالات ذات الخطورة العالية.

لذا، تم تطوير إطار العمل الجديد المعروف باسم **CW-B**، والذي يُعَدُّ نظامًا مبتكرًا يعتمد على XGBoost مع تعديل أوزان الفئات. يستهدف هذا النظام التعامل بفعالية مع التحديات المتمثلة في عدم توازن البيانات وفجوات المعلومات، من خلال دمج تقنيات مثل وزن العينات المتوازنة لكل طية وزيادة مؤشرات الفجوات، مما يساهم في تحسين التعرف على الظواهر ذات الأولوية السريرية.

أظهرت التجارب عبر استخدام أسلوب **التحقق المتقاطع** مع خمس طيات أن نظام CW-B حقق أداءً أفضل في مقاييس الدقة، Macro-F1، دقة متوازنة، وPrioritized F1 مقارنة بالأساليب التقليدية مثل الشجرات التمييزية والأنظمة الانسيابية والشبكات العصبية.

تعتبر هذه النتائج مثيرة للغاية، حيث يمكن أن يوفر CW-B إمكانية تطبيق نهج عملي وموثوق لتصنيف حالات فقدان القلب في البيئات السريرية الحقيقية، مما يتيح للأطباء اتخاذ قرارات معالجة أفضل.

هذا الابتكار يمثل خطوة مهمة تجاه تحسين مستوى الرعاية الصحية المقدمة للمرضى ويظهر كيف يمكن أن يسهم الذكاء الاصطناعي في إنقاذ الأرواح.