الطب الانتقالي القائم على الذكاء الاصطناعي: إطار عمل التعلم الآلي للتنبؤ بنتائج الأمراض وتحسين الرعاية التي تركز على المريض

الخلفية أحدثت التطورات في الذكاء الاصطناعي والتعلم الآلي ثورةً في المجال الطبي، وأحدثت نقلة نوعية في الطب الانتقالي. تُمكّن هذه التقنيات من تطوير نماذج أكثر دقة لمسار المرض، مع تعزيز الرعاية التي تُركز على المريض. ومع ذلك، لا تزال تحديات مثل تباين مجموعات البيانات، واختلال التوازن بين الفئات، وقابلية التوسع، تُشكّل عوائق أمام تحقيق الأداء التنبئي الأمثل. المنهجية تقترح هذه الدراسة إطار عمل مبتكرًا قائمًا على الذكاء الاصطناعي، يدمج آلات التعزيز المتدرج (GBM) والشبكات العصبية العميقة (DNN) لمعالجة هذه التحديات. تم تقييم الإطار باستخدام مجموعتي بيانات مُختلفتين: MIMIC-IV، وهي قاعدة بيانات للرعاية الحرجة تحتوي على بيانات سريرية للمرضى ذوي الحالات الحرجة، وبنك البيانات الحيوية البريطاني (UK Biobank)، الذي يضم بيانات وراثية وسريرية وبيانات تتعلق بنمط الحياة من 500,000 مشارك. استُخدمت مقاييس الأداء الرئيسية، بما في ذلك الدقة، والضبط، والتذكر، ودرجة F1، وAUROC، لتقييم الإطار مقارنةً بنماذج التعلم الآلي التقليدية والمتقدمة. النتائج أظهر الإطار المقترح أداءً متفوقًا مقارنةً بالنماذج التقليدية مثل الانحدار اللوجستي، والغابات العشوائية، وآلات المتجهات الداعمة (SVM)، والشبكات العصبية. على سبيل المثال، حقق النموذج، على مجموعة بيانات البنك الحيوي البريطاني، قيمة AUROC قدرها 0.96، متفوقًا بشكل ملحوظ على الشبكات العصبية (0.92). كما تميز الإطار بالكفاءة، حيث لم يتطلب سوى 32.4 ثانية للتدريب على MIMIC-IV، مع زمن استجابة منخفض للتنبؤ، مما يجعله مناسبًا للتطبيقات الفورية. الخلاصة يعالج الإطار المقترح القائم على الذكاء الاصطناعي بفعالية التحديات الحرجة في الطب الانتقالي، موفرًا دقة وكفاءة تنبؤيتين فائقتين. يُبرز أداؤه القوي عبر مجموعات البيانات المتنوعة إمكاناته للتكامل في أنظمة دعم القرارات السريرية الفورية، مما يُسهّل الطب الشخصي ويُحسّن نتائج المرضى. ستركز الأبحاث المستقبلية على تعزيز قابلية التوسع وقابلية التفسير للتطبيقات السريرية الأوسع.