تُعَدّ تقنيات الذكاء الاصطناعي وتعلم الآلة (Machine Learning) من الأدوات القوية في مجالات الطب، ولكنها قد تواجه تحديات كبيرة عند تطبيقها في الواقع العملي، وخاصة في مجال توقع مخاطر داء السكري من النوع الثاني. هذه التحديات تتطلب تقييمًا شاملاً لأداء هذه النماذج على نحو يضمن العدالة والفعالية.

في دراسة حديثة، وُضع إطار عمل متعدد الأبعاد لقياس التمييز (Discrimination)، ومعايرة النتائج (Calibration)، وقابلية التفسير (Interpretability)، والعدالة الخوارزمية (Algorithmic Fairness) في نماذج توقع مخاطر داء السكري من النوع الثاني. تم تدريب نموذج XGBoost على بيانات الاستطلاع الوطني للصحة والتغذية (NHANES) خلال الفترة من 2015 إلى 2020، حيث شمل 15,685 فردًا وأخذ في الاعتبار ثمانية متغيرات غير مخبرية مثل العمر، والجنس، وعرق/أصل، ومؤشر كتلة الجسم (BMI)، وحالة التدخين، والنشاط البدني، وتاريخ النوبات القلبية، وحدوث السكتات الدماغية.

قامت الدراسة also بإجراء تقييم خارجي على بيانات الاستطلاع الوطني للسلوك الصحي (BRFSS) عام 2020-2022، والذي شمل 1,285,783 فردًا. أظهرت نتائج التقييم الداخلي أداءً جيدًا بفارق مساحي تحت منحنى الاستقبال (AUC) بلغ 0.794، ومع ذلك، كان هناك انخفاض ملحوظ في الأداء عند التقييم الخارجي حيث انخفضت النتيجة إلى 0.717، مما يدل على عدم فعالية النماذج في ظروف التوزيع الواقعي.

كما تم الكشف عن وجود إفراط في تقدير المخاطر، حيث أظهرت نتائج تحليل SHAP أن العمر ومؤشر كتلة الجسم والنشاط البدني هي العوامل الرئيسية المساهمة في زيادة المخاطر. وفي الوقت نفسه، تم التأكيد على أن الفئات السكانية الأكثر عرضة لخطر الإصابة بالسكري قد حصلت على أدنى أداء من النماذج، مما يعزز الحاجة إلى استراتيجيات نشر تدرك العدالة وتراعي الفروق العمرية.

إن هذه النتائج تدعو صناع القرار إلى النظر في كيفية تطبيق هذه النماذج بشكل يعزز العدالة ويسهم في تحسين الرعاية الصحية للأفراد المعرضين للخطر. ما رأيكم في أهمية تقييم العدالة في تطبيق نماذج تعلم الآلة؟ شاركونا في التعليقات.