POME: Graph-based embeddings for partially observed mixed-type data
تقدم الورقة البحثية نموذج POME، وهو نموذج تضمين قائم على الرسوم البيانية والتعلم الذاتي مصمم لتوليد تمثيلات منخفضة الأبعاد للبيانات الطبية الحيوية المختلطة المراقبة جزئياً، محققاً أداءً رائدًا في استكمال البيانات المفقودة وتمكين مهام لاحقة فعالة مثل اكتشاف المجموعات الفرعية للمرضى، والنمذجة التنبؤية، والتوصية بالعلاج.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في المشهد الواسع للطب الحديث، تُعد البيانات الأداة الأساسية لفهم المرض وتوجيه العلاج. يجمع الأطباء والباحثون كميات هائلة من المعلومات حول المرضى، تتراوح من الأنواع المحددة للخلايا الموجودة في ورم ما إلى نتائج فحوصات الدم وتاريخ الأمراض السابقة. هذه المعلومات نادراً ما تكون موحدة؛ فهي مزيج فوضوي من الأرقام والفئات والنصوص، وغالباً ما يُشار إليها بالبيانات من نوع مختلط. علاوة على ذلك، فإن هذه البيانات لا تكون كاملة أبداً؛ فالمرضى يتغيبون عن المواعيد، وبعض الفحوصات لا تُطلب للجميع، وتُفقد السجلات، مما يترك خلفه فجوات تبدو كأنها مساحات فارغة في جداول البيانات. لعقود من الزمن، أجبرت هذه الفجوات والتنوع الفوضوي لأنواع البيانات العلماء إما على التخلص من السجلات غير المكتملة أو استخدام حيل إحصائية لملئها، وكلاهما يمكن أن يشوه الصورة الحقيقية لصحة المريض ويؤدي إلى استنتاجات مغلوطة.
لقد طور فريق من الباحثين الآن طريقة جديدة للتعامل مع هذا الواقع الفوضوي، محولين الفجوات والتنوع إلى سمات بدلاً من عيوب. لقد أنشأوا أداة تسمى POME، وهي اختصار لـ "تمثيلات البيانات المختلطة المرصودة جزئياً" (partially observed mixed-type data embeddings). وبدلاً من محاولة فرض جميع أنواع البيانات الطبية المختلفة في تنسيق واحد صارم أو مجرد حذف الأجزاء المفقودة، تعامل POME مع مجموعة البيانات بأكملها كخريطة من الروابط. تخيل شبكة حيث يكون المرضى مجموعة من النقاط، وكل معلومة ممكنة عنهم هي مجموعة أخرى من النقاط. عندما يكون لدى المريض نتيجة فحص دم، يتم رسم خط يصل بينه وبين تلك النتيجة. وعندما تكون قطعة من البيانات مفقودة، ببساطة لا يتم رسم الخط. يسمح هذا النهج للكمبيوتر بتعلم العلاقات بين المرضى وأعراضهم، حتى عندما تكون البيانات غير مكتملة ومتداخلة معاً.
اختبر الباحثون هذا النهج على ثلاث مجموعات كبيرة من السجلات الطبية الواقعية التي تضم آلاف المرضى المصابين بسرطان الرئة، وسرطان الرأس والعنق، وحالات أخرى عولجت بالعلاج الكيميائي. ووجدوا أن POME يمكنه ملء المعلومات المفقودة بمستوى من الدقة يضاهي أو يتجاوز أفضل الطرق الحالية. والأهم من ذلك، أن الأداة أنشأت نوعاً جديداً من "بصمات الأصابع" لكل مريض. لم تكن هذه البصمات مجرد ملخصات بسيطة، بل كانت تمثيلات غنية ومنخفضة الأبعاد تلتقط التفاعل المعقد لمؤشرات الصحة المتنوعة للمريض. وعندما استخدم الباحثون هذه البصمات لتجميع المرضى معاً دون إخبار الكمبيوتر بما يبحث عنه، كانت المجموعات التي تشكلت ذات دلالة طبية. فعلى سبيل المثال، قامت الأداة بشكل طبيعي بفصل المرضى بناءً على ما إذا كانت أورامهم مرتبطة بفيروس معين، وهو عامل معروف بتأثيره على معدلات البقاء على قيد الحياة، أو جمعتهم بناءً على كثافة الخلايا المناعية في أورامهم، وهي علامة على كيفية محاربة الجسم للمرض.
امتدت قوة هذه البصمات إلى ما هو أبعد من مجرد تصنيف المرضى. فقد استخدمها الباحثون للنظر في قرارات العلاج التاريخية ومعرفة ما إذا كانت منطقية. ومن خلال مقارنة بصمة المريض الجديد ببصمات المرضى السابقين، يمكن للنظام اقتراح استراتيجية العلاج التي حققت أفضل النتائج لأفراد مشابهين في الماضي. وفي اختبار واحد شمل مرضى سرطان الرأس والعنق، كان أولئك الذين تطابق علاجهم الفعلي مع توصية النظام بناءً على هذه البصمات لديهم معدلات بقاء على قيد الحياة لمدة خمس سنوات أعلى بكثير من أولئك الذين لم يتطابق علاجهم معها. وهذا يشير إلى أن الأداة يمكنها تحديد أنماط دقيقة في كيفية استجابة مجموعات مختلفة من الأعراض والتاريخ لأنواع معينة من العلاجات، مما يوفر وسيلة لدعم الأطباء في اتخاذ خيارات أكثر استنارة.
كما أظهرت الدراسة أن هذه البصمات يمكن استخدامها للتنبؤ بالنتائج المستقبلية، مثل ما إذا كان المريض سيصاب بآثار جانبية معينة من العلاج الكيميائي، وغالباً ما تفوقت على الطرق القياسية الأخرى للتعامل مع البيانات المختلطة. بل إن الباحثين نظروا داخل الأداة ليروا ما تعلمته عن المتغيرات نفسها. ووجدوا أن الأداة قد جمعت بشكل صحيح المصطلحات الطبية المرتبطة بيولوجياً، مثل الأنواع المختلفة من خلايا الدم البيضاء، مما يدل على أنها تعلمت المنطق الكامن وراء البيانات الطبية بدلاً من مجرد حفظ الأرقام.
وعلى الرغم من أن الأداة مُحسّنة حالياً للعمل على أجهزة كمبيوتر قوية وتتطلب ذاكرة كبيرة لمجموعات البيانات الضخمة جداً، إلا أن الباحثين أثبتوا أنها سريعة بما يكفي لتكون مفيدة في سير العمل الواقعي. لقد جعلوا البرنامج متاحاً للجمهور حتى يتمكن العلماء الآخرون من اختباره على بياناتهم الخاصة. لا يدعي هذا العمل حل كل مشكلة في تحليل البيانات الطبية، ولكنه يقدم طريقة قوية لتحويل السجلات الفوضوية وغير المكتملة والمتنوعة للممارسة السريرية إلى رؤى واضحة وقابلة للتنفيذ. ومن خلال احترام الهيكل الطبيعي للبيانات، بما في ذلك أجزاؤها المفقودة، تسمح POME للباحثين برؤية المريض بشكل أوضح، مما قد يؤدي إلى تشخيصات أفضل وعلاجات أكثر فعالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.