نماذج الأساس الجدولية: ثورة جديدة في تحليل البقاء السريري

تنبؤ الوقت حتى حدوث الأحداث مثل الوفاة يعد من المهام الأساسية في صنع القرارات السريرية، ويعتمد عادةً على تحليل البقاء (Survival Analysis). رغم أن الأساليب الإحصائية التقليدية وتقنيات تعلم العمق (Deep Learning) قد حظيت بدراسات واسعة، إلا أن هذه الأساليب عادةً ما تتطلب تدريباً متخصصاً للمهام وبيانات مصنفة كافية.

لكن مع التقدمات الأخيرة في نماذج الأساس الجدولية (Tabular Foundation Models)، نشهد تطوراً جديداً في كيفية معالجة البيانات الهيكلية. على الرغم من ذلك، فإن استخدام هذه النماذج في توقع الأحداث الزمنية المقيدة في الإعدادات السريرية لا يزال قيد الاستكشاف، حيث تتركز التطبيقات التقليدية غالباً على التصنيف الثنائي بدلاً من مهام تحليل البقاء.

في هذا البحث، نحن نقدم نهجاً خفيف الوزن لتكييف نماذج الأساس الجدولية لتحليل البقاء السريري من خلال تدريب رأس واعٍ بموضوع البقاء مباشرةً فوق التمثيلات المدربة مسبقاً. قمنا بدراسة معمقة لخوارزميات نموذجية، بما في ذلك TabPFN، TabDPT، وTabICL، وتكييفها باستخدام رأس الانحدار اللوجستي متعدد المهام (MTLR) لتقدير نتائج الأحداث الزمنية المقيدة.

تم تقييم هذا النهج على مجموعة متنوعة من مؤشرات البقاء العامة واثنين من المجموعات الكبيرة في وحدات العناية المركزة، MIMIC-IV وeICU. أظهرت النتائج أن طريقة التعلم بالانتقال هذه تحقق أداءً تنافسياً أو أفضل مقارنةً بأسس قوية. على MIMIC-IV، سجل نموذج TabDPT-FT-MTLR C-index بمعدل 0.856، مما يعكس تحسناً نسبياً قدره +1.4% مقارنةً بأفضل نموذج غير قائم على الأساس (DeepSurv، 0.844) و+6.7% عن النموذج الوحشي الأفضل (0.802). بينما على eICU، سجل نموذج TabICL-FT-MTLR 0.797، مع مكاسب قدرها +1.7% (DeepSurv، 0.784) و+6.4% (0.749) على التوالي.

تُظهر هذه النتائج أهمية دمج التمثيلات المدربة مسبقاً مع الأهداف الواعية البقاء، وتُشير إلى أن نماذج الأساس الجدولية توفر بديلاً عملياً وفعالاً لتوقعات البقاء السريري.

ما رأيكم في هذا التطور المثير في استخدام نماذج الأساس الجدولية لتحسين الرعاية الصحية؟ شاركونا في التعليقات!