التصنيف الآلي لصحة الجنين باستخدام منهجية Auto-Sklearn لتعزيز الحساسية السريرية

الملخص

يُعد التقييم الدقيق وفي الوقت المناسب لصحة الجنين باستخدام تخطيط نبضات قلب الجنين وانقباضات الرحم (Cardiotocography – CTG) أمرًا بالغ الأهمية للحد من معدلات المراضة والوفيات لدى حديثي الولادة. إن تحقيق دقة تشخيصية مرتفعة باستخدام نماذج التعلم الآلي التقليدية غالبًا ما يتطلب ضبطًا يدويًا مكثفًا للمعاملات الفائقة (Hyperparameters) وهندسة دقيقة للخصائص. تقترح هذه الدراسة منهجية آلية تعتمد على إطار عمل Auto-Sklearn لتصنيف صحة الجنين إلى ثلاث فئات: طبيعي (Normal)، مشتبه به (Suspect)، ومرضي (Pathological). تم استخدام مجموعة بيانات تتكون من 2,126 حالة سريرية، حيث تم تطبيق استراتيجية تحسين بايزية (Bayesian Optimization) بنمط "البداية الباردة" (Cold-Start) مع تجاوز التعلم التلوي (Meta-Learning) عمدًا بهدف تقييم القدرة التحسينية الخام للإطار الآلي. أظهرت النتائج أن خط أنابيب المعالجة الآلي (Automated Pipeline) حقق دقة كلية (Accuracy) بلغت 96.94%، وقيمة F1 مرجحة (Weighted F1-score) قدرها 88.37%. ومن منظور السلامة السريرية، حقق النموذج معدل استدعاء (Recall) بلغ 97.00% للفئة المرضية (Pathological)، مع معدل فقد (Miss Rate) منخفض للغاية بلغ 0.0656، مما يضمن حساسية عالية في اكتشاف حالات ضائقة الجنين وبتحقيق خصوصية (Specificity) بلغت 97.43%، نجح النموذج أيضًا في تقليل الإنذارات الكاذبة بشكل فعال، مما يثبت أن تقنيات التعلم الآلي الآلي (AutoML) يمكن أن تضاهي أو تتفوق على أداء الأنظمة التي يتم ضبطها يدويًا. تقدم هذه الدراسة منهجية قوية وعالية الكفاءة لتطوير أنظمة دعم القرار السريري في مجال التوليد.