في عالم تحليل البيانات، تسعى الأبحاث باستمرار لتطوير نماذج جديدة تعالج التحديات المتعلقة بالبيانات غير المنتظمة. قام فريق من الباحثين بتقديم نموذج جديد يُعرف باسم DeepAJM (Deep Association Joint Model)، وهو نموذج عميق يهدف لتحسين تحليل البيانات من خلال تجاوز القيود المفروضة على النماذج التقليدية.

يعمل نموذج DeepAJM على الجمع بين تحليل البيانات الطولية (longitudinal data) والنتائج الحيوية (survival outcomes)، مستفيدًا من الأنماط التي تظهر في المسارات الطولية للمرضى، مما يحسن بشكل كبير من دقة توقعات نتائج البقاء. في الوقت الذي تعتمد فيه النماذج التقليدية على فرضيات بارامترية ثابتة، والتي يمكن أن تكون مصدرًا للتحيز عند عدم تطابق النموذج مع الواقع، يجلب DeepAJM نموذجًا غير بارامتري، مما يمنحه قوة ومرونة أكبر.

يعتمد النموذج على بنية التعلم العميق من نوع encoder-decoder (تسلسل إلى تسلسل)، حيث يتعلم العلاقات الخفية في المسارات المتغيرة للبيانات. يرتبط عملياً بالتغيرات الطولية مع عمليات البقاء من خلال هيكل ارتباط يمكن تفسيره، مما يزيد من فعالية النموذج في تحسين تقدير المخاطر.

تم تقييم أداء DeepAJM على ثلاثة مجموعات بيانات مختلفة، بما في ذلك مجموعة بيانات مرض القلب، ومجموعة بيانات التهاب الكبد البيليرِي الابتدائي، وبيانات تم محاكاتها، وُجد أن النموذج يتفوق على النماذج التقليدية مثل TransformerJM وDA-LSTM ونموذج Cox، من خلال تحقيق أفضل معدلات تمييز حسب مقياس C-index والتقييمات الأخرى.

تسعى الدراسات المقبلة إلى تعزيز هذه النتائج وتوسيع نطاق استخدام نموذج DeepAJM ليشمل مزيد من التطبيقات السريرية. هل تعتقد أن هذا النموذج يمكن أن يحدث ثورة في مجالات أخرى بخلاف المجال الطبي؟ شاركونا آراءكم في التعليقات!