Machine learning models for estimating counterfactuals in a single-arm inflammatory bowel disease study
تُظهر هذه الدراسة أن نماذج تعلم الآلة، وتحديداً نموذج LightGBM، يمكنها بفعالية إنشاء "أذرع تحكم افتراضية" لتقدير آثار العلاج في تجارب مرض التهاب الأمعاء أحادية الذراع من خلال التنبؤ بالنتائج المضادة للواقع للمرضى الذين عولجوا بعلاجات مختلفة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
الفكرة الكبرى: طريقة "المريض الشبح"
تخيل أنك طاهٍ ابتكر وصفة جديدة ولذيذة لصلصة المعكرونة الحارة. تريد أن تثبت أن صلصتك أفضل من الصلصة القياسية التي يستخدمها الجميع حالياً.
في عالم مثالي، ستجري "اختبار تذوق" حيث تعطي نصف ضيوفك صلصتك الجديدة والنصف الآخر الصلصة القديمة. هذا ما يسميه العلماء التجربة العشوائية المنضبطة (RCT). وهي المعيار الذهبي لأنها عادلة.
المشكلة: في الطب، إجراء "اختبارات التذوق" هذه أمر صعب للغاية. فهي مكلفة، وتستغرق سنوات، وأحياناً يكون من غير العادل حقاً إعطاء المريض "الصلصة القديمة" (العلاج التقليدي أو الوهمي) إذا كان مريضاً جداً ويحتاج إلى الشيء الجديد.
الحل: تستكشف هذه الورقة طريقة لإنشاء "مرضى أشباح" (يُطلق عليهم اسم المجموعات الضابطة الافتراضية). بدلاً من تجنيد أشخاص حقيقيين لتناول العلاج القديم لمجرد إجراء المقارنة، يستخدم العلماء الذكاء الاصطناعي للنظر في الأشخاص الذين تناولوا العلاج القديم بالفعل في الماضي، وإنشاء نسخة "شبحية" رقمية منهم للمقارنة مع مجموعة العلاج الجديد.
كيف سارت الدراسة (تشبيه "التوأم الرقمي")
نظر الباحثون إلى مجموعة من الأطفال المصابين بمرض كرون (وهو مرض التهابي في الأمعاء). كان بعضهم يتناول دواءً يسمى إنفليكسيماب (IFX) والبعض الآخر يتناول أداليموماب (ADA).
بدلاً من مقارنة المجموعتين مباشرة، قاموا بشيء ذكي:
- مرحلة التدريب: علموا نموذج الذكاء الاصطناعي كل ما يمكنه معرفته عن المرضى الذين يتناولون IFX. تعلم الذكاء الاصطناعي أشياء مثل: "إذا كان المريض في هذا العمر، ولديه هذا القدر من الالتهاب، وهذا العرض المحدد، فإنه عادةً ما يتعافى بهذا الشكل..."
- إنشاء الشبح: ثم أخذوا المرضى الذين كانوا يتناولون ADA وسألوا الذكاء الاصطناعي: "مهلاً، لو كان هؤلاء المرضى تحديداً الذين يتناولون ADA قد تناولوا IFX بدلاً من ذلك، بناءً على كل ما تعرفه، كيف كانت ستكون حالتهم؟"
- المقارنة: أنتج الذكاء الاصطناعي نتائج "واقع مضاد" (counterfactual outcomes) — وهو ما يعني أساساً التنبؤ بـ "الواقع البديل" لهؤلاء المرضى. الآن، استطاع العلماء مقارنة نتائج ADA الحقيقية مقابل نتائج IFX المتوقعة من الذكاء الاصطناعي.
خدعة "البيانات الضخمة" (تعزيز البيانات)
واجه الباحثون مشكلة واحدة، وهي أنهم لم يمتلكوا كمية هائلة من البيانات لتدريب ذكائهم الاصطناعي. فمن الصعب تعليم طالب موضوعاً معقداً إذا كان لديه كتاب مدرسي واحد فقط.
لحل هذه المشكلة، استخدموا الذكاء الاصطناعي التوليدي (على غرار كيفية إنشاء ChatGPT لنصوص جديدة) لإنشاء "مرضى اصطناعيين". هؤلاء ليسوا أشخاصاً حقيقيين، بل هم "نسخ رقمية" واقعية رياضياً تتبع نفس أنماط المرضى الحقيقيين.
من خلال إضافة هؤلاء "الاستنساخ الاصطناعيين" إلى مجموعة التدريب، منحوا الذكاء الاصطناعي "كتاباً مدرسياً" أكثر سمكاً ليدرسه. جعل هذا الذكاء الاصطناعي أكثر ذكاءً ودقة في التنبؤ بكيفية استجابة المرضى.
ماذا وجدوا؟
- الذكاء الاصطناعي هو "صانع أشباح" موثوق: كانت تنبؤات الذكاء الاصطناعي قريبة جداً مما حدث بالفعل في الدراسات السابقة. وهذا يعني أن استخدام "المجموعات الضابطة الافتراضية" هو وسيلة مشروعة لإجراء الدراسات الطبية دون الحاجة إلى مجموعة ضابطة ضخمة ومكلفة.
- مقارنة "الوصفة": وجدت الدراسة أنه لم يكن هناك فرق كبير أو ذو دلالة إحصائية في مدى فعالية كلا الدواءين (IFX و ADA). كلاهما كان فعالاً.
- بيانات أكثر = ذكاء اصطناعي أفضل: أدت عملية استخدام خدعة "المريض الاصطناعي" إلى تحسين دقة الذكاء الاصطناعي بشكل كبير. كان الأمر يشبه إعطاء طالب مكتبة بدلاً من منشور صغير.
لماذا يهمك هذا الأمر؟
في المستقبل، يمكن أن يؤدي هذا إلى اختراقات طبية أسرع وأرخص.
إذا تمكنا من استخدام الذكاء الاصطناعي لإنشاء "مجموعات ضابطة افتراضية" عالية الجودة، فيمكننا الموافقة على الأدوية الجديدة بشكل أسرع، وتقليل تكلفة تطوير الأدوية، والأهم من ذلك، ضمان عدم حرمان المرضى في التجارب السريرية من العلاجات الفعالة لمجرد تلبية متطلبات تصميم الدراسة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.