برتری محاسبات کوانتومی در پیش‌بینی مرگ‌ومیر بیماران بخش مراقبت‌های ویژه با استفاده از پرونده‌های سلامت الکترونیکی

محاسبات کوانتومی گامی محتاطانه اما قابل‌اندازه‌گیری به درون بخش مراقبت‌های ویژه برداشته است. در پژوهشی که در Frontiers in Computational Neuroscience منتشر شده، پژوهشگران چارچوب یادگیری ماشین ترکیبی کوانتومی-کلاسیک موسوم به HQML-ICU را معرفی کرده‌اند که برای پیش‌بینی احتمال مرگ بیمار در طول بستری در بخش مراقبت‌های ویژه طراحی شده است. این مدل ترکیبی روی ۳۸٬۶۲۴ مورد بستری بزرگسالان در ICU، از پایگاه داده شناخته‌شده پرونده‌های سلامت الکترونیکی MIMIC-IV، ارزیابی شد و به سطح زیر منحنی مشخصه عملکرد گیرنده (AUROC) برابر با ۰٫۸۷۱ رسید؛ در حالی که این رقم برای مدل قدرتمند گرادیان‌بوستینگ XGBoost برابر با ۰٫۸۵۸ بود. مدل ترکیبی همچنین از شبکه‌های عصبی عمیق، جنگل‌های تصادفی، رگرسیون لجستیک و امتیاز شدت بیماری SAPS-II عملکرد بهتری داشت. این اختلاف اندک است، اما تیم پژوهشی گزارش می‌کند که از نظر آماری معنادار است؛ آزمون DeLong مقدار p برابر با ۰٫۰۱۲ را نشان داد و این نتیجه در اعتبارسنجی متقاطع پنج‌لایه نیز تأیید شد.

انگیزه این پژوهش به محدودیت‌های پایدار مدل‌های متعارف بازمی‌گردد. سامانه‌های سنتی امتیازدهی شدت بیماری مانند APACHE، SAPS و SOFA که بر رگرسیون لجستیک و متغیرهای انتخاب‌شده توسط متخصصان متکی هستند، در AUROC حدود ۰٫۷۵ تا ۰٫۸۵ به نوعی به سقف عملکرد رسیده‌اند. روش‌های مدرن یادگیری ماشین عملکرد بهتری دارند، اما باید تعامل میان ویژگی‌ها را به‌صورت صریح در نظر بگیرند و با افزایش ابعاد داده، تعداد این تعاملات به‌شکل ترکیبی رشد می‌کند. مجموعه‌های درختی بر تقسیم‌بندی‌های هم‌راستا با محورها تکیه دارند که ممکن است روابط هموار فیزیولوژیک را از دست بدهند، در حالی که شبکه‌های عمیق به مجموعه‌داده‌های بسیار بزرگی نیاز دارند. محاسبات کوانتومی فضای ریاضی متفاوتی فراهم می‌کند: n کیوبیت در فضای هیلبرت با 2^n بُعد قرار می‌گیرند و مدارهای کوانتومی پارامتری‌شده، دست‌کم در تئوری، می‌توانند توابع پیچیده داده‌ها را فشرده‌تر از هر شبکه کلاسیکی نمایش دهند.

از آنجا که دستگاه‌های کوانتومی امروزی در مقیاس متوسط و همراه با نویز (NISQ) قادر به پذیرش هزاران ویژگی ورودی نیستند، پژوهشگران یک خط لوله سه‌مرحله‌ای طراحی کردند. در مرحله نخست، یک خودرمزگذار کلاسیک ۸۷ ویژگی پرونده سلامت الکترونیکی را به تنها ۱۶ بُعد نهفته فشرده می‌کند. این رمزگذار داده‌ها را از لایه‌های کاملاً متصل با به‌ترتیب ۸۷، ۶۴، ۳۲ و ۱۶ نورون عبور می‌دهد و اندازه ۱۶ برای فضای نهفته به‌عنوان کوچک‌ترین ابعادی انتخاب شد که در داده‌های اعتبارسنجی به ضریب R² بازسازی بالاتر از ۰٫۹۳ دست یافت.

در مرحله بعد، هسته کوانتومی سامانه قرار دارد: یک مدار کوانتومی پارامتری‌شده چهارکیوبیتی که از ZZFeatureMap برای رمزگذاری مقادیر کلاسیک در حالت‌های کوانتومی استفاده می‌کند. این فرایند با گیت‌های هادامارد، چرخش‌های پارامتری Rz و گیت‌های کنترل‌شده Rz انجام می‌شود؛ گیت‌های اخیر هر جفت کیوبیت را درهم‌تنیده و تعاملات دوتایی میان ویژگی‌ها را به‌طور صریح در فضای هیلبرت ۱۶بعدی ثبت می‌کنند. سپس یک آنساتز واریاسیونی RealAmplitudes با سه لایه، شامل چرخش‌های Ry و زنجیره‌ای از گیت‌های درهم‌تنیدگی CNOT، این حالت را با ۴۸ زاویه چرخش قابل‌آموزش پردازش می‌کند. در نهایت، یک سرِ عصبی کلاسیک کوچک، چهار مقدار امیدریاضی اندازه‌گیری‌شده از عملگر پائولی-Z را به احتمال کالیبره‌شده مرگ تبدیل می‌کند. کل مدل قابل‌آموزش تنها ۱۴۵ پارامتر دارد؛ در مقایسه با ۲۲٬۱۴۵ پارامتر در مدل پایه شبکه عصبی عمیق.

گروه مورد بررسی در این آزمایش‌ها یکی از بزرگ‌ترین مجموعه‌هایی است که تاکنون برای یادگیری ماشین کوانتومی در حوزه سلامت گردآوری شده است. تیم پژوهشی ۸۹ ویژگی بالینی را استخراج کرد که جمعیت‌شناسی، خلاصه علائم حیاتی ۲۴ساعته، مقادیر حدی آزمایش‌های آزمایشگاهی، شاخص‌های دارویی و مداخلات درمانی مانند داروهای وازوپرسور و تهویه مکانیکی، تشخیص‌های هنگام پذیرش و امتیازهای ترکیبی شدت بیماری از جمله SOFA و مقیاس کمای گلاسکو را دربر می‌گرفت. معیارهای سخت‌گیرانه حذف، بیمارانی را که طی ۲۴ ساعت نخست فوت کرده یا از بیمارستان مرخص شده بودند کنار گذاشت. تقسیم داده‌ها نیز در سطح بیمار انجام شد و برای جلوگیری جدی از نشت اطلاعات، برازش جبران داده‌ها با روش زنجیره‌ای چندگانه، نرمال‌سازی z-score، وینزورایز کردن و آموزش خودرمزگذار همگی صرفاً با استفاده از داده‌های آموزشی انجام گرفتند. جمعیت نهایی نرخ مرگ‌ومیر ۱۲٫۸ درصدی داشت و این نرخ در تقسیم‌بندی‌های طبقه‌بندی‌شده آموزش، اعتبارسنجی و آزمون، به‌ترتیب با ۲۳٬۲۵۴، ۷٬۶۲۳ و ۷٬۷۴۷ بیمار حفظ شد.

فراتر از توانایی تفکیک خام، مدل ترکیبی ویژگی‌ای را نشان داد که احتمالاً بیش از هر چیز دیگری برای پزشکان اهمیت دارد: ارائه احتمالات قابل‌اعتماد. امتیاز Brier این مدل ۰٫۰۸۹ بود که از ۰٫۰۹۵ برای XGBoost و ۰٫۱۰۱ برای شبکه عمیق بهتر بود. همچنین آزمون Hosmer-Lemeshow مقدار p برابر با ۰٫۴۹۳ را نشان داد و شیب کالیبراسیون ۱٫۰۲ بود. وقتی پزشک به خانواده‌ای می‌گوید خطر مرگ بیمار ۳۰ درصد است، این عدد باید معنای واقعی داشته باشد؛ شبکه‌های عصبی بیش‌ازحد مطمئن، به‌طور معمول در بالاترین دهک خطر، چنین برآوردهایی را دچار انحراف می‌کنند. در آستانه عملیاتی ۰٫۱۹۲، مدل ترکیبی به حساسیت ۷۱٫۰ درصد و ویژگی ۸۸٫۶ درصد رسید و ارزش اخباری منفی آن ۹۵٫۴ درصد بود؛ یعنی پیش‌بینی زنده‌ماندن بیمار تقریباً در ۹۶ درصد موارد درست بود. نویسندگان برآورد می‌کنند که در بیمارستانی با ۵٬۰۰۰ بستری ICU در سال، افزایش حساسیت نسبت به XGBoost می‌تواند به شناسایی صحیح حدود ۲۰ بیمار پرخطر اضافی منجر شود.

تحلیل تفسیرپذیری نشان داد که مدار کوانتومی احتمالاً کاری واقعاً متفاوت انجام می‌دهد و صرفاً همان سیگنال‌ها را به شکل دیگری جابه‌جا نمی‌کند. تحلیل تعاملات مبتنی بر SHAP نشان داد که مدل ترکیبی تعامل قوی‌تری میان سطح لاکتات و مصرف وازوپرسور ثبت کرده است؛ امتیاز این تعامل برای مدل ترکیبی ۰٫۰۲۴ بود، در حالی که برای XGBoost به ۰٫۰۱۵ می‌رسید. این ترکیب دقیقاً با نشانه بالینی شوک سپتیک مقاوم به درمان مطابقت دارد؛ وضعیتی که در آن تداوم کاهش خون‌رسانی به بافت‌ها، علی‌رغم حمایت شدید همودینامیک، نشان‌دهنده خطر بسیار بالای مرگ‌ومیر است. ساختار درهم‌تنیدگی مدار، که در آن گیت‌های CNOT کیوبیت‌ها را در حالت‌های همبسته به یکدیگر پیوند می‌دهند، ظاهراً برای ثبت چنین همبستگی‌های فیزیولوژیک مرتبه بالاتری در یک فضای پارامتری فشرده مناسب است؛ کاری که درخت‌های کلاسیک تنها با رشد هرچه عمیق‌تر و در نتیجه کم‌تفسیرتر می‌توانند آن را تقریب بزنند.

مجموعه گسترده‌ای از آزمایش‌های حذف مؤلفه‌ها نشان داد کدام انتخاب‌های طراحی اهمیت بیشتری دارند. عملکرد مدار در عمق سه لایه به اوج رسید و با افزایش عمق، عملکرد به سمت ناحیه موسوم به فلات بایر به‌شدت افت کرد. از میان پنج راهبرد رمزگذاری، ZZFeatureMap با گیت‌های صریح تعاملات دوتایی، از رمزگذاری‌های Pauli، IQP، دامنه‌ای و زاویه‌ای بهتر عمل کرد. بُعد نهفته ۱۶ تعادلی میان دقت بازسازی و ظرفیت پردازشی مدار چهارکیوبیتی برقرار کرد؛ افزایش این مقدار به ۳۲ بُعد، برخلاف انتظار، دقت را کاهش داد؛ پدیده‌ای که نویسندگان آن را «بیش‌برازش کوانتومی» می‌نامند. وزن‌دهی کلاس‌ها بر اساس معکوس فراوانی، بهترین راهکار برای مقابله با عدم‌توازن شدید کلاس‌ها در مسئله پیش‌بینی مرگ‌ومیر بود. مهم‌تر از همه، جایگزین کردن رمزگذاری ساختاریافته با چرخش‌های تصادفی، AUROC را ۰٫۰۷۳ کاهش داد و تأیید کرد که هندسه نگاشت ویژگی کوانتومی واقعاً در عملکرد نقش دارد.

مهم‌ترین محدودیت این پژوهش آن است که تمام محاسبات کوانتومی روی یک شبیه‌ساز بردار حالت بدون نویز و با استفاده از سخت‌افزار کلاسیک انجام شده‌اند، نه روی یک پردازنده کوانتومی واقعی. بنابراین، مقدار ۰٫۸۷۱ گزارش‌شده را باید یک حد بالای نظری در نظر گرفت. تحلیل حساسیت به نویز نشان داد برتری مدل نسبت به XGBoost تنها زمانی حفظ می‌شود که نرخ خطای گیت‌ها کمتر از حدود 10^-3 باشد و در نرخ 2 × 10^-3 از بین می‌رود؛ آستانه‌ای که پردازنده‌های کنونی IBM و Google به آن نزدیک شده‌اند، اما هنوز به‌طور پایدار به آن دست نمی‌یابند. آموزش مدل نیز ۴۸ دقیقه طول کشید، در حالی که این زمان برای XGBoost تنها ۳٫۲ دقیقه بود، زیرا شبیه‌سازی مدارهای کوانتومی روی سخت‌افزار کلاسیک هزینه‌ای نمایی دارد. از سوی دیگر، نکته امیدوارکننده این بود که مدل ترکیبی به حدود ۲۸ درصد دوره آموزشی کمتری نیاز داشت و در شرایط کمبود داده عملکرد به‌مراتب بهتری نشان داد؛ به‌طوری‌که با استفاده از تنها ۱۰ درصد داده‌های آموزشی به AUROC برابر با ۰٫۸۱۷ رسید، در حالی که این رقم برای شبکه عمیق ۰٫۷۷۵ بود.

بررسی‌های مربوط به عدالت الگوریتمی نیز به اعتبار نتایج افزود. در ۱۲ زیرگروه از بیماران که بر اساس جنسیت، سن، نوع ICU و شدت بیماری تعریف شده بودند، مدل ترکیبی در همه گروه‌ها AUROC را به میزان ۰٫۰۱۰ تا ۰٫۰۱۶ نسبت به XGBoost بهبود داد و تفاوت‌های مربوط به برابری شانس و برابری جمعیتی نیز نشان ندادند که مدل باعث تشدید سوگیری جمعیت‌شناختی شده باشد. با این حال، نویسندگان درباره محدودیت‌های باقی‌مانده صریح هستند: این مطالعه به یک مجموعه‌داده تک‌مرکزی از مرکز پزشکی Beth Israel Deaconess متکی است. بنابراین، پیش از هرگونه استفاده بالینی، اعتبارسنجی خارجی با پایگاه‌های داده چندمرکزی مانند eICU، HiRID یا AmsterdamUMCdb ضروری است. افزون بر این، بازنمایی‌های درونی مدار کوانتومی حتی زمانی که SHAP ویژگی‌های منفرد را توضیح می‌دهد، همچنان یک جعبه سیاه باقی می‌مانند.

اینکه آیا یک افزایش نسبتاً اندک در AUROC ارزش استفاده از سازوکارهای کوانتومی را دارد یا نه، به شرایط بستگی دارد و خود پژوهشگران نیز این مطالعه را اثبات برتری سخت‌افزار کوانتومی نمی‌دانند، بلکه آن را نمایشی از ظرفیت این رویکرد در شرایط ایده‌آل توصیف می‌کنند. با این حال، این پژوهش به‌عنوان یک نقشه راه اهمیت دارد. مطالعه نشان می‌دهد چگونه می‌توان با کنترل نشت اطلاعات و رعایت اصول آماری، مسیری کامل را از پرونده‌های خام سلامت الکترونیکی، از طریق فشرده‌سازی با خودرمزگذار، به فضای ویژگی کوانتومی درهم‌تنیده و سپس به احتمالات بالینی کالیبره‌شده طی کرد؛ آن هم در مقیاس نزدیک به ۳۹٬۰۰۰ بیمار. با نزدیک شدن نرخ خطای سخت‌افزار به 10^-4 و پیشرفت روش‌های کاهش خطا، می‌توان همین معماری را روی پردازنده‌های کوانتومی واقعی اجرا کرد و ماشین‌های مقاوم در برابر خطای آینده نیز ممکن است امکان استفاده از مدارهای عمیق‌تر روی داده‌های بالینی با ابعاد کامل را فراهم کنند. در حال حاضر، مزیت کوانتومی در بخش مراقبت‌های ویژه همچنان تدریجی و مبتنی بر شبیه‌سازی است؛ اما دیگر صرفاً یک فرضیه درباره ساختار چنین رویکردی نیست و همین موضوع نقطه عطفی برای یادگیری ماشین کوانتومی در پزشکی به شمار می‌رود.

موضوع پژوهش: یادگیری ماشین ترکیبی کوانتومی-کلاسیک برای پیش‌بینی مرگ‌ومیر در بخش مراقبت‌های ویژه با استفاده از پرونده‌های سلامت الکترونیکی

عنوان مقاله: HQML-ICU: یادگیری ماشین ترکیبی کوانتومی-کلاسیک برای پیش‌بینی مرگ‌ومیر در بخش مراقبت‌های ویژه با استفاده از پرونده‌های سلامت الکترونیکی MIMIC-IV

منابع مقاله: Abdel-Aty, A.-H., Kadry, H., Omer, N., Shaaban, S. M., Eltayeb, H., Ghorashi, S. A., Hafez, M., Voon, B. W., & Farsi, M. (2026). HQML-ICU: hybrid quantum-classical machine learning for ICU mortality prediction using MIMIC-IV electronic health records. Frontiers in Computational Neuroscience, 20، مقاله 1900553. https://doi.org/10.3389/fncom.2026.1900553

اعتبار تصویر: تولیدشده با هوش مصنوعی

DOI: 10.3389/fncom.2026.1900553

کلیدواژه‌ها: یادگیری ماشین کوانتومی، پیش‌بینی مرگ‌ومیر ICU، MIMIC-IV، پرونده‌های سلامت الکترونیکی، مدارهای کوانتومی پارامتری‌شده، محاسبات ترکیبی کوانتومی-کلاسیک، XGBoost، خودرمزگذار، پیش‌بینی بالینی، مدارهای کوانتومی واریاسیونی، مراقبت‌های ویژه، امتیاز Brier

منبع خبر: Katie Riggs. (۱۵ اکتبر ۲۰۲۶). Quantum Machine Learning Edge Emerges in Predicting ICU Mortality From Electronic Health Records. Scienmag.