ثورة جديدة في تقييم الإصابات: شبكة بايز متعددة النماذج للفرز التلقائي

تُعتبر حوادث الإصابات الجماعية تحدياً كبيراً للأنظمة الطبية الطارئة، حيث يمكن أن تؤدي التأخيرات أو الأخطاء في تقييم الحالات إلى وفيات يمكن تفاديها. في خطوة مبتكرة، قدم باحثون إطار عمل دعم القرار يدمج بين نتائج نماذج الرؤية الحاسوبية المتعددة، والتي تقيّم علامات نزيف حاد أو ضائقة تنفسية أو يقظة بدنية أو إصابات ظاهرية، في شبكة بايز (Bayesian Network) مبنية بالكامل على قواعد محددة من قبل الخبراء.

ما يميز هذه الطريقة عن النماذج التقليدية المعتمدة على البيانات هو أنها لا تتطلب بيانات تدريب، مما يجعلها مناسبة للاستخدام في حالات المعلومات غير الكاملة، وهي أيضاً قادرة على التعامل مع المشاهدات الضوضائية أو غير المؤكدة.

في دراستين تم تقييم الأداء فيهما، شاملتين 11 و9 حالات إصابة على التوالي، تمكنت شبكة بايز لدينا من التفوق بشكل ملحوظ على النماذج المعتمدة على الرؤية فقط، وذلك خلال تقييم النظام في تحدي الفرز التابعة لوكالة مشاريع الأبحاث الدفاعية المتقدمة (DARPA Triage Challenge).

تحسنت دقة التقييم الفسيولوجي من 15% إلى 42% في السيناريو الأول، ومن 19% إلى 46% في السيناريو الثاني، مما يمثل زيادة تقارب ثلاثة أضعاف في الأداء. والأهم من ذلك، ازدادت دقة الفرز العامة من 14% إلى 53% في جميع المرضى، بينما زادت تغطية التشخيص للنظام من 31% إلى 95% من الحالات التي تتطلب التقييم. هذه النتائج تُظهر أن التفكير الاحتمالي المدعوم بمعرفة الخبراء يمكن أن يعزز بشكل كبير من الأنظمة الآلية للفرز، مما يوفر نهجاً واعداً لدعم المستجيبين للطوارئ في حوادث الإصابات الجماعية. وقد تمكن فريق كيرون (Team Chiron) من تحقيق المركز الرابع من بين 11 فريقاً خلال الجولة الفعلية الأولى من تحدي DTC.