تنبؤ المسارات المرضية الفردية باستخدام التعلم العميق القابل للتفسير

تُعد نماذج تقدم الأمراض أداةً أساسية في التنبؤ بمسارات الصحة على مستوى الفرد وفهم ديناميكيات المرض. تمتلك النماذج الحالية القدرة على توفير إما توقعات دقيقة لتشخيص المرضى أو تمثيلات سريرية قابلة للتفهم لفيزيولوجيا المرض، ولكن ليس كلاهما معًا. في هذا البحث، نطور نموذج "PASS" (الفضاء الحالة المراعي للانتباه بالمراحل) لتقدم الأمراض، وهو نموذج احتمالي عميق يلتقط تمثيلات معقدة لتقدم الأمراض مع الحفاظ على القابلية السريرية للتفهم. على عكس نماذج الفضاء الحالة الماركوفية التي تفترض الديناميكية بلا ذاكرة، يستخدم "PASS" آلية انتباه لإحداث تحولات حالة "ذات ذاكرة"، حيث يتم استخدام الأوزان المتكررة لتحديث الانتباه لتركيزها على حالات الماضي التي تتوقع أفضل الحالات المستقبلية. هذا يؤدي إلى ديناميكيات حالة معقدة وغير ثابتة تظل قابلة للتفهم من خلال الأوزان المنتبهة المولدة، والتي تحدد العلاقات بين المتغيرات الحالة المنجزة للمريض الفردي. يستخدم "PASS" وحدات LSTM المراعية للمرحل (مع بوابات زمنية يتحكم فيها اهتزاز معلَّم) لتوليد الأوزان المنتبهة في الزمن المستمر، مما يمكنه من التعامل مع المشاهدات الطبية غير المنتظمة والمحتمل أن تكون مفقودة. أظهرت التجارب على بيانات مجموعة حقيقية من المرضى أن "PASS" ينجح في الموازنة بين الدقة والقابلية للتفهم: فهو يُظهر دقة تنبؤ فائقة ويتعلم تمثيلات فردية ذات رؤى عميقة لتقدم الأمراض.