كيف يقلل تعلم الآلة الإنذارات الكاذبة في أنظمة المراقبة المستمرة لمرضى المستشفيات؟

تستطيع أجهزة المستشفى تسجيل نبض القلب والتنفس ونسبة الأكسجين وضغط الدم بصورة متواصلة. لكن المشكلة ليست في جمع مزيد من البيانات، بل في معرفة أي تغير يشير إلى خطر حقيقي. وتشير دراسة جديدة إلى أن تعلم الآلة قد يساعد على اكتشاف تدهور حالة المريض مع تقليل الإنذارات الكاذبة مقارنة بالقواعد التقليدية.

الرقم الأهم
عند تثبيت معدل الإنذارات الكاذبة عند مستوى النظام التقليدي، رصد نموذج التنبؤ خلال 24 ساعة 96% من الأحداث الخطيرة، مقابل 50% للنظام القائم على الحدود الثابتة.

لماذا تتحول إنذارات المستشفى إلى مشكلة؟

تطلق الأنظمة التقليدية إنذاراً عندما تتجاوز قراءة واحدة أو أكثر حداً محدداً مسبقاً. هذه القاعدة واضحة، لكن القراءة غير المعتادة قد تنتج من حركة المريض أو ارتخاء الحساس أو تغير مؤقت، وليس من تدهور صحي حقيقي.

كثرة التنبيهات التي لا تستدعي تدخلاً قد تؤدي إلى إرهاق الإنذارات. ومع تكرار الأصوات والتحذيرات، يصبح تمييز الإشارة المهمة من الضجيج أصعب. المطلوب إذن ليس إسكات الأجهزة، بل جعل إنذاراتها أكثر انتقائية من دون تفويت المرضى المحتاجين إلى المساعدة.

ما الذي اختبره الباحثون؟

حللت الدراسة بيانات المراقبة المستمرة للعلامات الحيوية (Continuous Vital Sign Monitoring أو CVSM) لدى 2325 بالغاً دخلوا المستشفى بعد جراحات كبرى أو بسبب حالات طبية حادة. وراجع أطباء السجلات لتحديد الأحداث الضارة الخطيرة التي استُخدمت معياراً لتقييم التنبؤات.

بحث نموذج تعلم الآلة (Machine Learning أو ML) عن أنماط تتشكل مع مرور الوقت، بدلاً من الاكتفاء بسؤال بسيط: هل تجاوزت قراءة منفردة حداً معيناً؟ ثم قارن الباحثون أداءه بنظام يعتمد على درجة الإنذار المبكر الوطنية (National Early Warning Score أو NEWS).

جرت أبرز المقارنات وفق شرطين مختلفين. عند توحيد معدل الإنذارات الكاذبة، حقق نموذج الـ24 ساعة معدل اكتشاف بلغ 0.96، مقابل 0.50 للنظام التقليدي. وفي مقارنة منفصلة وُحّد فيها معدل اكتشاف الحالات، انخفض معدل الإنذارات الكاذبة إلى 0.06 للنموذج مقابل 0.84 للنظام الآخر. لا يجوز جمع النتيجتين كأنهما تحققتا في إعداد واحد.

كيف يجد تعلم الآلة إشارة أوضح؟

يسأل الحد الثابت إن كانت القراءة مرتفعة أو منخفضة الآن. أما النموذج فيستطيع النظر إلى اتجاه التغير ومدته واجتماع عدة مؤشرات، فانخفاض الأكسجين تدريجياً قد يكتسب معنى مختلفاً عندما يتزامن مع تغير التنفس والنبض.

بلغت قدرة النموذج على التمييز، وفق مقياس المساحة تحت المنحنى، 0.81 للأحداث المتوقعة خلال 24 ساعة و0.71 خلال ثماني ساعات. وهي نتيجة مفيدة، لكنها توضح أيضاً أن الأداء ليس مثالياً، خصوصاً عند الاقتراب من الحدث.

ماذا قد تكسب المستشفيات؟

إذا أكدت التجارب المستقبلية هذه النتائج، فقد تساعد قائمة إنذارات مرتبة بحسب الخطر الممرضين على توجيه الانتباه إلى المرضى الأكثر حاجة. وقد تسمح بتوسيع المراقبة المستمرة خارج العناية المركزة من دون إغراق الطواقم بالتنبيهات.

لكن قيمة التنبؤ تعتمد على طريقة دمجه في العمل اليومي. يجب أن يصل إلى الشخص المناسب، وأن يقدم تفسيراً عملياً، وأن يقود إلى استجابة تحسن رعاية المريض فعلاً.

ما الخطوة التالية؟

يحتاج النظام الآن إلى اختبار استباقي في مستشفيات تختلف جغرافياً وتشغيلياً. ولا يكفي قياس دقة التنبؤ، بل يجب أيضاً قياس عدد الإنذارات واستجابة الطواقم وتأخر العلاج والنتائج الصحية وعدالة الأداء بين الفئات المختلفة.

تقدم الدراسة سبباً قوياً لإعادة التفكير في طريقة عمل إنذارات المستشفى. وهي لا تثبت أن الخوارزمية يجب أن تحل محل الحكم الطبي، بل تشير إلى أن البيانات المستمرة تصبح أنفع عندما يفسر البرنامج نمطها بدلاً من إطلاق صوت مع كل حد تتجاوزه قراءة منفردة.