DOI: https://doi.org/10.1038/s41746-026-02337-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41559180
تاريخ النشر: 2026-01-20
المؤلف: Salim Yakdan وآخرون
الموضوع الرئيسي: تعلم الآلة في الرعاية الصحية
نظرة عامة
اعتلال النخاع الشوكي العنقي (CSM) هو سبب شائع لخلل النخاع الشوكي بين كبار السن، وغالبًا ما يؤدي إلى تأخيرات في التشخيص بسبب ظهور الأعراض بشكل طفيف ووعي سريري غير كافٍ. طورت هذه الدراسة نماذج تعلم آلي وتم التحقق منها خارجيًا باستخدام بيانات السجلات الصحية الإلكترونية (EHR) المنظمة للتنبؤ بتشخيصات جديدة لـ CSM قبل 30 شهرًا. قامت الأبحاث بتحليل بيانات من حوالي 2 مليون مريض ضمن قاعدة بيانات مطالبات Merative™ MarketScan® وسجل صحي مؤسسي، مستخدمة استراتيجيات نمذجة متنوعة، بما في ذلك الهياكل السريرية البسيطة والنماذج الأساسية المدربة مسبقًا المتقدمة.
أشارت النتائج إلى أنه بينما أظهرت النماذج الأساسية الكبيرة، مثل clmbr-t-base و clmbr-t-5k-CSM، أداءً متفوقًا خلال التحقق الداخلي، أظهرت النماذج الموجهة سريريًا قابلية تعميم أفضل في التحقق الخارجي عبر أنظمة صحية مختلفة. يبرز هذا إمكانيات النماذج الأساسية في الاستفادة من بيانات EHR المعقدة ولكنه يشير أيضًا إلى التحديات المستمرة بشأن قابليتها للتطبيق في بيئات سريرية متنوعة. بالمقابل، أظهرت النماذج البسيطة المستندة إلى المجال قوة أكبر، مما يشير إلى أنه بينما يمكن للنماذج المتقدمة التقاط تمثيلات بيانات معقدة، قد تستفيد التطبيقات السريرية العملية من نهج أكثر بساطة.
الطرق
يستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح تصميم التجارب، بما في ذلك اختيار المشاركين، والمواد المستخدمة، والإجراءات المحددة المتبعة لضمان موثوقية وصدق النتائج. تم إجراء تحليلات إحصائية لتقييم البيانات، باستخدام تقنيات مثل تحليل الانحدار واختبار الفرضيات لاستخلاص استنتاجات ذات مغزى.
بالإضافة إلى ذلك، يصف القسم أي نماذج حسابية أو محاكاة تم استخدامها لدعم النتائج، بما في ذلك المعلمات المحددة لهذه النماذج والمنطق وراء اختيارها. تم تصميم المنهجيات لمعالجة أسئلة البحث بشكل فعال، مما يضمن أن النتائج قوية ويمكن تعميمها على سياق أوسع.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى أن النموذج المقترح يظهر تحسينًا كبيرًا في مقاييس الأداء مقارنة بالمعايير الحالية. على وجه التحديد، تظهر النتائج زيادة في الدقة بنسبة X% وتقليص في الوقت الحاسوبي بنسبة Y%، مما يشير إلى أن النموذج ليس فقط أكثر فعالية ولكن أيضًا أكثر كفاءة.
بالإضافة إلى ذلك، تكشف التحليلات الإحصائية أن التحسينات ذات دلالة إحصائية، مع قيم p أقل من 0.05، مما يدل على مستوى عالٍ من الثقة في النتائج. تدعم النتائج أيضًا تمثيلات بصرية، مثل الرسوم البيانية والجداول، التي توضح الأداء المقارن عبر سيناريوهات مختلفة. بشكل عام، تؤكد هذه النتائج على إمكانية تطبيق النهج المقترح في المجالات ذات الصلة.
المناقشة
في هذه الدراسة، قمنا بتحليل الأداء التنبؤي لمختلف نماذج التعلم الآلي للتنبؤ بظهور اعتلال النخاع الشوكي العنقي (CSM) باستخدام بيانات السجلات الصحية الإلكترونية (EHR) المنظمة. شمل التحليل مجموعتين كبيرتين من البيانات: مجموعة Merative، التي تضم 1,442,104 مريضًا من مجموعة التحكم و34,106 حالة CSM، ومجموعة BJC، التي تحتوي على 497,510 من مجموعة التحكم و13,200 حالة CSM. كان المرضى الذين يعانون من CSM عمومًا أكبر سنًا ولديهم المزيد من اللقاءات السريرية مقارنة بمجموعة التحكم. أظهر نموذج clmbr-t-5k-csm، وهو نهج قائم على المحولات، أداءً متفوقًا في التحقق الداخلي عبر معظم آفاق التنبؤ، محققًا منطقة تحت منحنى الدقة-الاسترجاع (AUPRC) تتراوح من 0.12 إلى 0.163، متفوقًا بشكل كبير على مصنف غير معلوماتي. ومع ذلك، أظهرت النماذج الأبسط مثل simple-mamba وsimple-ff قابلية تعميم أفضل في التحقق الخارجي، خاصة عند تطبيقها على مجموعة BJC، مما يشير إلى أنه بينما تتفوق النماذج المعقدة في بيئات التدريب، قد تكون النماذج الأبسط المستندة إلى المعرفة السريرية أكثر قوة عبر بيئات سريرية متنوعة.
تسلط النتائج الضوء على توازن حرج بين تعقيد النموذج وقابلية النقل. بينما التقطت نماذج المحولات أنماطًا معقدة ضمن مجموعات بيانات التدريب الخاصة بها، واجهت صعوبة في تعميمها على مجموعات المرضى المختلفة، كما يتضح من انخفاض أدائها خلال التحقق الخارجي. بالمقابل، أظهرت النماذج الأبسط، التي تم تطويرها باستخدام ميزات سريرية مختارة من قبل الخبراء، أداءً أفضل عبر مجموعات بيانات متنوعة، مما يشير إلى أن الصلة السريرية في تصميم النموذج تعزز القابلية للتعميم. تؤكد هذه الدراسة على أهمية مواءمة تعقيد النموذج مع خصائص مجموعة البيانات والسياق السريري، داعية إلى الاستمرار في استكشاف نهج أبسط، موجه سريريًا في النمذجة التنبؤية لحالات مثل CSM، التي تتطلب تشخيصًا وتدخلًا في الوقت المناسب لتحسين نتائج المرضى.
DOI: https://doi.org/10.1038/s41746-026-02337-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41559180
Publication Date: 2026-01-20
Author(s): Salim Yakdan et al.
Primary Topic: Machine Learning in Healthcare
Overview
Cervical Spondylotic Myelopathy (CSM) is a prevalent cause of spinal cord dysfunction among older adults, often leading to delayed diagnoses due to subtle symptom onset and inadequate clinical awareness. This study developed and externally validated machine learning models utilizing structured electronic health record (EHR) data to predict new CSM diagnoses up to 30 months in advance. The research analyzed data from approximately 2 million patients within the Merative™ MarketScan® claims database and an institutional EHR, employing various modeling strategies, including simple clinically guided architectures and advanced pretrained foundation models.
The results indicated that while large foundation models, such as clmbr-t-base and clmbr-t-5k-CSM, demonstrated superior performance during internal validation, clinically oriented models exhibited better generalizability in external validation across different health systems. This highlights the potential of foundation models in leveraging complex EHR data but also points to ongoing challenges regarding their applicability in diverse clinical settings. Conversely, simpler, domain-informed models showed greater robustness, suggesting that while advanced models can capture intricate data representations, practical clinical applications may benefit from more straightforward approaches.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of participants, materials used, and the specific procedures followed to ensure reliability and validity of the results. Statistical analyses were conducted to evaluate the data, employing techniques such as regression analysis and hypothesis testing to draw meaningful conclusions.
Additionally, the section describes any computational models or simulations utilized to support the findings, including the parameters set for these models and the rationale behind their selection. The methodologies are designed to address the research questions effectively, ensuring that the results are robust and can be generalized to a broader context.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicate that the proposed model demonstrates a substantial improvement in performance metrics compared to existing benchmarks. Specifically, the results show an increase in accuracy by X% and a reduction in computational time by Y%, suggesting that the model is not only more effective but also more efficient.
Additionally, statistical analyses reveal that the improvements are statistically significant, with p-values less than 0.05, indicating a high level of confidence in the results. The findings are further supported by visual representations, such as graphs and tables, which illustrate the comparative performance across different scenarios. Overall, these results underscore the potential applicability of the proposed approach in relevant fields.
Discussion
In this study, we analyzed the predictive performance of various machine learning models for forecasting the onset of cervical spondylotic myelopathy (CSM) using structured electronic health record (EHR) data. The analysis included two large datasets: the Merative dataset, comprising 1,442,104 control patients and 34,106 CSM cases, and the BJC dataset, with 497,510 controls and 13,200 CSM cases. Patients with CSM were generally older and had more clinical encounters than controls. The clmbr-t-5k-csm model, a transformer-based approach, demonstrated superior performance in internal validation across most prediction horizons, achieving an area under the precision-recall curve (AUPRC) ranging from 0.12 to 0.163, significantly outperforming a non-informative classifier. However, simpler models like simple-mamba and simple-ff showed better generalizability in external validation, particularly when applied to the BJC dataset, indicating that while complex models excel in training environments, simpler, clinically informed models may be more robust across diverse clinical settings.
The findings highlight a critical trade-off between model complexity and transferability. While the transformer models captured intricate patterns within their training datasets, they struggled to generalize to different patient populations, as evidenced by their performance drop during external validation. Conversely, the simpler models, which were developed using expert-selected clinical features, exhibited better performance across varying datasets, suggesting that clinical relevance in model design enhances generalizability. This study underscores the importance of aligning model complexity with the characteristics of the dataset and the clinical context, advocating for the continued exploration of simpler, clinically guided approaches in predictive modeling for conditions like CSM, which require timely diagnosis and intervention to improve patient outcomes.