تحليل البقاء (Survival Analysis) هو أداة حيوية في مجال الطب والإحصاء، حيث يهدف إلى نمذجة كيفية تأثير المتغيرات الزمنية والعوامل المختلفة على توزيع الوقت حتى حدوث حدث معين، مثل الوفاة أو الإصابة بمرض. ومع تطور التقنيات، ظهرت الحاجة إلى طرق جديدة تتجاوز القيود المرتبطة بالنماذج التقليدية، مثل نموذج كوكس (Cox model) والنماذج التراكمية المعدلة (Generalised Additive Models - GAMs) التي تتطلب تحديد التفاعلات وتأثيرات الزمن بشكل يدوي، مما أصبح غير عملي في ظل وجود قواعد بيانات سريرية غنية.

في هذا السياق، تم تقديم KAPLAN-HR، وهي شبكة كولموغوروف-أرنولد المتعلمة (Kolmogorov-Arnold Network - KAN)، التي توفر تقديرًا غير بارامتريًا للمخاطر الشرطية كوظيفة مشتركة للمتغيرات الزمنية. نموذج KAPLAN-HR أحادي الطبقة يقوم باسترداد نموذج GAM، بينما النماذج الأكثر عمقًا تلتقط التفاعلات والتأثيرات الزمنية عبر التركيب.

تم إثبات معدل التقارب لمقدر المخاطر KAN غير البارامتري، الذي يعتمد فقط على نعومة تمثيل KAN الأساسي وليس على أبعاد المتغيرات، مما يقلل من تحديات البعد. في تقييمات تمت على ستة مجموعات بيانات طبية مرجعية، أثبتت KAPLAN-HR مطابقتها أو تجاوزها للأداء التنبؤي للطرق الإحصائية العادية وأساليب التعلم العميق. هذا التطور ليس فقط دليلاً على تقدم التكنولوجيا، بل يمثل خطوة نحو تحسين تحليل البيانات السريرية وكفاءة الرعاية الصحية.

ما رأيكم في هذه الإنجازات المثيرة في مجال الذكاء الاصطناعي وتحليل البيانات؟ شاركونا في التعليقات!