في دراسة حديثة نُشرت عبر منصة arXiv، تم تسليط الضوء على قدرة نماذج التعلم الآلي (Machine Learning) في تحقيق دقة تنبؤية عالية لأحداث السكتة الدماغية الحادة خلال فترة 90 يومًا. رغم هذه الإنجازات، لا يزال استخدام هذه النماذج في الممارسات السريرية محدودًا بسبب عدم توافق الشرح الذي تقدمه النماذج مع المنطق الطبي للأطباء.

حيث استند الباحثون إلى دراسة شملت مجموعة من الأطباء تطالب بإعداد حدود صريحة قائمة على الإرشادات السريرية، وهي خطوة مهمة نحو جعل النماذج أكثر قبولًا في الممارسات السريرية.

تتساءل الدراسة: هل يمكن استبدال المتغيرات المستمرة بتشفيرات تصنيفية قائمة على معلومات طبية دون التأثير سلبًا على الأداء؟ للتحقق من ذلك، قام الباحثون بإجراء مقارنة بين نماذج التدرج المعزز (Gradient Boosted Models) التقليدية والنماذج المصنفة بشكل كامل المستندة إلى الحدود العلاجية المحددة بواسطة إرشادات السكتة الدماغية.

أظهرت النتائج أن النماذج المصنفة كانت متشابهة من الناحية الإحصائية مع نظيراتها المستمرة في مجموعتين علاجية، بينما شهدت مجموعة واحدة انخفاضًا كبيرًا في الدقة التنبؤية.

بالإضافة إلى ذلك، كما أظهرت تصنيفات الأهمية العالمية للعوامل أن تحويل المتغيرات المستمرة إلى تصنيفات قائمة على الإرشادات يحافظ على التسلسل الهرمي الأساسي للعوامل التنبؤية عبر جميع المجموعات العلاجية.

بذلك يظهر أن التصنيف القائم على الإرشادات يعتبر خيارًا مناسبًا لتصميم نماذج توقع نتائج السكتة الدماغية، مما يفتح المجال لمزيد من الأبحاث حول كيفية دمج التعلم الآلي في الرعاية الصحية بشكل فعال.