تعد فهم العوامل التي تؤدي إلى نتائج صحية غير مرغوب فيها أمراً بالغ الأهمية لتصميم تدخلات موجهة وفعالة. بينما تعتمد الطرق التقليدية، مثل التجارب العشوائية المراقبة والمقابلات التي يقودها الخبراء، على جمع المعلومات من المرضى، فقد تكون هذه الأساليب مستهلكة للوقت أو حتى غير ممكنة في بعض الحالات.

هنا يأتي دور اكتشاف الأسباب (Causal Discovery) كبديل حديث يقدم فرضيات حول السبب والنتيجة بناءً على البيانات الملاحظة. ومع ذلك، غالباً ما تكون فائدته العملية محدودة بسبب الافتراضات القوية أو غير القابلة للاختبار المنتشرة في هذه العمليات.

هذا البحث يقدم إطاراً جديداً ومبتكراً يجمع بين مجموعة من خوارزميات تعلم الهيكل السببي (Causal Structure Learning - CSL) مع تقدير تأثيرات سببية غير متجانسة. من خلال دمج النتائج المستمدة من عدة خوارزميات، يهدف هذا الإطار إلى تحديد العلاقات السببية القوية التي تظل قائمة تحت افتراضات نمذجة مختلفة.

تتمثل الفائدة الرئيسية لهذا الإطار في توفير فرضيات قابلة للتطبيق في السياقات السريرية، مما يمكن الممارسين من اتخاذ قرارات مستنيرة لتحسين الرعاية الصحية. لقد تم اختبار فعالية هذا الإطار في تطبيقين كبيرين في مجال الرعاية الصحية: تحديد المحركات والعوامل المثبطة للزيارات المتكررة لقسم الطوارئ بين مرضى السكري، والأسباب الرئيسية لإعادة إدخال المرضى إلى المستشفى في وحدات العناية المركزة. استخدمنا بيانات المطالبات التأمينية وسجلات الصحة الإلكترونية لتحقيق هذا الغرض.

أظهرت النتائج أن إدارة الأمراض المزمنة وتنسيق الرعاية هما من التدخلات الرئيسية التي يمكن أن تؤثر بشكل كبير على تحسين النتائج الصحية. كما أكدت الدراستين أن فعالية أي تدخل تعتمد بشكل كبير على المتغيرات الخاصة بكل مريض.

للتأكد من جدوى الإطار، استخدمنا استراتيجية تحقق متعددة الطبقات، تشمل استعادة الحقائق من خلال المحاكاة، والتوافق مع الأدبيات السريرية، والتحقق من صحة النتائج من قبل الأطباء الخبراء، بالإضافة إلى إمكانية تطبيقه في أنظمة الرعاية الصحية الحديثة باستخدام مجموعة بيانات خارجية. هذا التأكيد على صحة الإطار يعزز من آفاق استخدامه في تحسين رعاية المرضى واكتشاف الأسباب المرضية.