مقاومت آنتی‌بیوتیکی در بیمارستان؛ هشدار یک پژوهش تازه درباره خطای ارزیابی هوش مصنوعی

مقاومت آنتی‌بیوتیکی در بیمارستان؛ وقتی هوش مصنوعی دقیق‌تر از واقعیت به نظر می‌رسد

مقاومت باکتری‌ها به آنتی‌بیوتیک‌ها یکی از چالش‌های جدی بیمارستان‌هاست. این مسئله به‌ویژه در بخش‌های مراقبت ویژه اهمیت دارد؛ جایی که بیماران آسیب‌پذیرترند و عفونت‌های مقاوم می‌توانند درمان را دشوار کنند.

در همین زمینه، پژوهشگران بیمارستان مردم هچوان در شهر چونگ‌چینگ چین، داده‌های نزدیک به سه سال و نیم پایش عفونت‌های بیمارستانی را بررسی کرده‌اند. نتایج این مطالعه در اول نوامبر ۲۰۲۶ در نشریه Scientific Reports منتشر شده است.

پژوهش دو موضوع را هم‌زمان دنبال می‌کند: شناخت وضعیت عفونت‌های مقاوم در یک بیمارستان عمومی و بررسی اینکه مدل‌های یادگیری ماشین تا چه اندازه می‌توانند مقاومت میکروبی را با اطلاعات ثبت‌شده پیش از عفونت پیش‌بینی کنند.

بررسی بیش از ۲۵۶ هزار مورد بستری

داده‌های پژوهش از یک بیمارستان عمومی با ۱۱۰۰ تخت در چین گردآوری شده‌اند. اطلاعات مربوط به فاصله فوریه ۲۰۲۳ تا آوریل ۲۰۲۶ بود.

در این دوره، ۲۵۶٬۹۹۳ مورد بستری ثبت شد و پژوهشگران ۱۲۴۰ دوره عفونت مرتبط با مراقبت سلامت را در ۱۰۵۴ بیمار شناسایی کردند.

میزان بروز عفونت‌های ثبت‌شده در کل بیمارستان، ۰٫۴۸ دوره به‌ازای هر ۱۰۰ مورد بستری یا ۰٫۸۲ دوره به‌ازای هر هزار روز بستری بود.

این نتایج تصویری از وضعیت همان مرکز درمانی ارائه می‌دهند و نباید به‌عنوان نرخ عفونت تمام بیمارستان‌های چین تفسیر شوند.

مقاومت نگران‌کننده یک باکتری بیمارستانی

در میان عوامل عفونی شناسایی‌شده، باکتری Acinetobacter baumannii بیشترین سهم را داشت و ۱۹٫۴ درصد از جدایه‌های میکروبی را تشکیل می‌داد.

این باکتری می‌تواند در محیط‌های بیمارستانی، به‌ویژه در بیماران بستری و بدحال، موجب عفونت شود.

در این مطالعه، مقاومت آن به آنتی‌بیوتیک‌های گروه کارباپنم در سطح بیمارستان ۹۲ درصد و در بخش مراقبت ویژه ۹۸٫۵ درصد گزارش شد.

کارباپنم‌ها از داروهای مهم برای درمان برخی عفونت‌های باکتریایی جدی هستند. مقاومت به این داروها می‌تواند انتخاب درمان مناسب را محدود کند.

همچنین پژوهشگران مشاهده کردند که عواملی مانند استفاده از دستگاه تنفس مصنوعی، بستری‌بودن طولانی به‌شکل بی‌حرکت، وجود کاتتر ورید مرکزی و سابقه سکته مغزی در گروه عفونت‌های مقاوم بیشتر دیده می‌شدند.

این ارتباط‌های آماری به‌تنهایی ثابت نمی‌کنند که هرکدام از این عوامل، علت مستقیم مقاومت میکروبی بوده‌اند.

هوش مصنوعی چقدر موفق بود؟

بخش دیگر پژوهش به ارزیابی مدل‌های یادگیری ماشین اختصاص داشت.

پژوهشگران سه مدل پایه را با اطلاعاتی که پیش از وقوع عفونت در دسترس بودند آزمایش کردند. برای کاهش خطا، داده‌های متعلق به یک بیمار در بخش‌های جداگانه آموزش و آزمون قرار نگرفتند.

مدل‌های رگرسیون لجستیک و جنگل تصادفی در پیش‌بینی وضعیت مقاومت میکروبی به شاخص AUROC حدود ۰٫۷۴ تا ۰٫۷۵ رسیدند.

AUROC توانایی مدل را در تفکیک نمونه‌های مثبت و منفی نشان می‌دهد. این عدد معادل دقت ۷۵ درصدی نیست و به‌تنهایی برای قضاوت درباره کاربرد بالینی کافی نخواهد بود.

عملکرد مدل‌ها در تشخیص محل عفونت ضعیف‌تر بود. دقت طبقه‌بندی بین ۳۹ تا ۵۲ درصد گزارش شد؛ درحالی‌که یک روش ساده مبتنی بر انتخاب پرتکرارترین گروه، دقت ۴۶ درصد داشت.

بنابراین پژوهشگران این عملکرد را برای کاربرد بالینی مفید ارزیابی نکردند.

یافته مهم‌تر: چگونه نشت داده نتایج هوش مصنوعی را گمراه‌کننده می‌کند؟

یکی از مهم‌ترین بخش‌های این پژوهش، اصلاح یک نتیجه قبلی بود.

در ارزیابی پیشین، شاخص AUROC برابر ۰٫۹۱ گزارش شده بود؛ اما بررسی مجدد نشان داد که این عدد تحت تأثیر دو مشکل قرار داشته است.

نخست اینکه اطلاعات مربوط به یک بیمار در بخش‌های مختلف داده تکرار شده بود. دوم اینکه متغیر مدت کل بستری در پیش‌بینی استفاده شده بود؛ اطلاعاتی که در زمان تصمیم‌گیری زودهنگام هنوز به‌طور کامل در اختیار پزشک نیست.

به چنین وضعیتی «نشت داده» می‌گویند؛ یعنی مدل هنگام آموزش یا ارزیابی از اطلاعاتی بهره می‌برد که در کاربرد واقعی نباید در دسترس آن باشند.

پس از اصلاح روش ارزیابی، عملکرد گزارش‌شده به حدود ۰٫۷۴ تا ۰٫۷۵ رسید.

این اختلاف نشان می‌دهد یک مدل ممکن است روی کاغذ بسیار دقیق به نظر برسد، اما بخش مهمی از این عملکرد ناشی از اشکال در طراحی آزمون باشد.

انتشار داده برای بازتولید پژوهش

ویژگی دیگر این مطالعه، انتشار مجموعه‌داده بدون شناسه فردی، راهنمای دو‌زبانه داده‌ها و فرایند کامل بازتولید آزمایش‌هاست.

چنین منابعی به پژوهشگران اجازه می‌دهند روش‌های ارزیابی را بررسی کنند، مدل‌های جایگزین بسازند و اثر نشت داده را با دقت بیشتری مطالعه کنند.

بااین‌حال، دسترسی عمومی به داده به معنای مناسب‌بودن آن برای همه محیط‌های بالینی نیست.

نتایج چه محدودیت‌هایی دارند؟

مطالعه بر داده‌های یک بیمارستان تکیه دارد. الگوی مقاومت آنتی‌بیوتیکی ممکن است در بیمارستان‌های دیگر، با توجه به نوع بیماران، الگوی مصرف آنتی‌بیوتیک و شرایط کنترل عفونت متفاوت باشد.

همچنین مدل‌های بررسی‌شده، با وجود استفاده از روش ارزیابی دقیق‌تر، هنوز در محیط‌های مستقل و به‌صورت آینده‌نگر برای تصمیم‌گیری درمانی اعتبارسنجی نشده‌اند.

در نتیجه، این پژوهش اثبات نمی‌کند که استفاده از این مدل‌ها می‌تواند مصرف آنتی‌بیوتیک را کاهش دهد یا پیامد بیماران را بهبود بخشد.

این یافته‌ها برای نظام سلامت ایران چه اهمیتی دارند؟

برای بیمارستان‌های ایران، پژوهش حاضر از دو جهت قابل توجه است.

نخست، ضرورت پایش منظم مقاومت میکروبی و استفاده از داده‌های واقعی بیمارستانی برای شناخت الگوهای عفونت.

دوم، اهمیت روش صحیح اعتبارسنجی در توسعه ابزارهای هوش مصنوعی پزشکی است. پیش از استفاده از یک مدل پیش‌بینی در بیمارستان، باید مشخص شود که اطلاعات زمان آینده وارد مدل نشده‌اند، داده‌های یک بیمار میان آموزش و آزمون جابه‌جا نشده‌اند و عملکرد سامانه در مراکز مستقل چگونه است.

این پژوهش نشان می‌دهد ارزش یک سامانه هوش مصنوعی فقط به بالا بودن شاخص‌های آماری آن وابسته نیست؛ بلکه به معتبر بودن روش ارزیابی و قابل‌استفاده بودن نتیجه در زمان واقعی تصمیم‌گیری بستگی دارد.