تقييم مقارن لنماذج التعلم الآلي لتشخيص مرض الكلى المزمن في بيئات الرعاية الصحية ذات الموارد المحدودة باستخدام المؤشرات الحيوية منخفضة التكلفة ذات الصلة سريريًا

الملخص

تتناول هذه الدراسة الفجوة الحرجة بين تقنيات التشخيص المتقدمة والقيود التشغيلية لأنظمة الرعاية الصحية في البيئات ذات الموارد المحدودة. يمثل مرض الكلى المزمن عبئاً صحياً عالمياً متزايداً، ومع ذلك لا يزال الاكتشاف المبكر يشكل تحدياً في المناطق المحرومة بسبب التكلفة العالية لأدوات التشخيص المتخصصة. يقدم هذا البحث تقييماً مقارناً لخمسة من خوارزميات التعلم الآلي البارزة—الغابة العشوائية، تعزيز التدرج، الانحدار اللوجستي، آلات المتجهات الداعمة، وأشجار القرار—لتطوير إطار تشخيصي عالي الدقة. وعلى عكس النماذج التقليدية التي تعتمد على معايير مكلفة، تعطي هذه الدراسة الأولوية لـ 12 مؤشراً حيوياً منخفض التكلفة وذات صلة سريرياً، مثل كرياتينين المصل، ومستويات الألبومين، والهيموجلوبين، وهي متاحة بشكل روتيني في المختبرات السريرية الأساسية. ويتمثل الابتكار الرئيسي لهذا البحث في تنفيذ استراتيجية معالجة مسبقة تعتمد على "مؤشر البيانات المفقودة"، والتي تحول البيانات السريرية غير المكتملة إلى ميزات تشخيصية قوية، مما يضمن بقاء النموذج فعالاً في بيئات العالم الحقيقي حيث تشيع فجوات البيانات. أظهرت النتائج التجريبية أن نموذج الغابة العشوائية حقق أداءً تنبؤياً فائقاً بدقة تجاوزت 99%، متفوقاً على المصنفات التقليدية والهياكل الأكثر تعقيداً من حيث الحساسية والكفاءة الحسابية. تخلص الدراسة إلى أن دمج التعلم الآلي مع المؤشرات الحيوية الروتينية منخفضة التكلفة يمكن أن يساهم بشكل كبير في إتاحة التشخيص المبكر لمرض الكلى المزمن للجميع، مما يوفر حلاً قابلاً للتوسع وفعالاً من حيث التكلفة لتحسين نتائج المرضى في البنى التحتية الصحية النامية. يوفر هذا الإطار مساراً عملياً لتنفيذ أدوات الذكاء الاصطناعي القابلة للتفسير والتي تتماشى مع الواقع الاقتصادي لتحديات الصحة العالمية.