التعلم العميق للتمثيلات لتقدير تأثير العلاج المخصص باستخدام السجلات الصحية الإلكترونية

استخدام البيانات الملاحظة السريرية لتقدير تأثيرات العلاج الفردية (ITE) يُعد مهمة صعبة، نظرًا لوجود التحيز المُختلط (confounding) بشكل لا مفر منه في البيانات السريرية. تعتمد معظم النماذج الحالية لتقييم ITE على إنشاء مُقدّرات غير متحيزة لتأثيرات العلاج. وعلى الرغم من القيمة المضافة لهذه النماذج، فإن تعلُّم تمثيل متوازن قد يتعارض أحيانًا مع الهدف الرئيسي المتمثل في بناء نموذج فعّال وتمييزية لتقدير ITE. نقترح نموذجًا هجينًا جديدًا يربط بين التعلم العميق متعدد المهام (multi-task deep learning) وطريقة الجيران الأقرب (KNN) لتقدير ITE. بشكل مفصّل، يعتمد النموذج المقترح أولًا على التعلم العميق متعدد المهام لاستخراج تمثيلات خفية متعلقة بالنتائج (outcome-predictive) وتمثيلات محددة للعلاج (treatment-specific) من السجلات الصحية الإلكترونية (EHR)، وذلك من خلال أداء مُتزامن لتنبؤ النتائج وتصنيف فئات العلاج. ثم، نقدّر النتائج الافتراضية (counterfactual outcomes) باستخدام طريقة KNN استنادًا إلى التمثيلات المخفية المُتعلّمة. تم التحقق من أداء النموذج المقترح على مجموعة بيانات شبه محاكاة شهيرة تُعرف بـ IHDP، وعلى مجموعة بيانات سريرية حقيقية تضم 736 مريضًا مصابًا بقصور القلب (HF). وقد أظهر النموذج أداءً متميّزًا وثابتًا، حيث بلغت قيمته في دقة تقدير التأثير المتجانس (PEHE) 1.7، وفي متوسط تأثير العلاج (ATE) 0.23 على مجموعة بيانات IHDP، بينما بلغت دقة التصنيف (accuracy) 0.703، وقيمة F1 0.796 على مجموعة بيانات قصور القلب. تُظهر النتائج أن النموذج المقترح يحقق أداءً تنافسيًا مقارنةً بالنماذج الرائدة حاليًا. علاوةً على ذلك، كشفت النتائج عن عدد من الاستنتاجات المتسقة مع المعرفة الطبية الحالية، وطرحت بعض الفرضيات التوجيهية التي يمكن التحقق منها من خلال أبحاث إضافية في المجال السريري.