PatientPheX: A Full-Text Biomedical Corpus for Patient-Specific Phenotype Information Extraction

في المشهد الشاسع للبيولوجيا البشرية، غالبًا ما تُكتب قصة الشخص بلغتين؛ إحداهما هي الشفرة الجينية، وهي التعليمات الخفية المحمولة في حمضنا النووي (DNA). والأخرى هي النمط الظاهري (phenotype)، وهو مجموعة السمات والخصائص القابلة للملاحظة التي تشكل الواقع الجسدي للإنسان. وتشمل هذه السمات كل شيء، بدءًا من لون عيني المرء وصولاً إلى الأعراض المحددة لمرض ما، أو نتائج فحص الدم، أو طريقة استجابة الجسم لعقار معين. وبالنسبة للأطباء والباحثين، وخاصة أولئك الذين يدرسون الأمراض النادرة، فإن الربط بين هاتين اللغتين أمر ضروري؛ إذ يحتاجون إلى معرفة أي الأعراض تنتمي بدقة لأي مريض لفهم كيفية تشكيل الجينات للصحة والمرض.

ومع ذلك، فإن هذا الاتصال غالبًا ما يكون مدفونًا في النصوص غير المنظمة للأدبيات الطبية. فالتقارير عن الحالات والدراسات التفصيلية تصف المرضى الأفراد بتفاصيل سردية غنية، لكن هذه المعلومات تكون مبعثرة عبر الجمل والفقرات والأقسام. فقد يظهر وصف لعرَض ما في المقدمة، بينما يُناقش السبب الجيني في الخاتمة، وقد تُدرج ملاحظة حول حالة مشابهة لأحد أفراد العائلة في منتصف النص. إن استخراج هذه المعلومات لبناء ملف تعريف واضح ومنظم لمريض واحد يعد مهمة صعبة على الحواسيب، التي تعاني في فهم السياق، والتمييز بين الأشخاص المختلفين في القصة نفسها، وإدراك متى يكون العرض موجودًا ومتى يتم ذكره مجرد ذكر لشيء لم يحدث.

ولمعالجة هذا التحدي، أنشأ فريق من الباحثين في جامعة داليان للتكنولوجيا موردًا جديدًا يسمى PatientPheX. هذه ليست أداة لعلاج الأمراض، بل هي مكتبة مُعدة بعناية تضم 200 مقال طبي كامل النص، معظمها تقارير حالات وسلاسل حالات، تم ترميزها بدقة من قبل خبراء بشريين. فكر في الأمر كساحة تدريب حيث يمكن للحاسوب أن يتعلم قراءة القصة الطبية كما يفعل الممارس السريري الماهر: تحديد هوية المريض، ورصد كل ذكر لعرَض أو مرض، وربط تلك التفاصيل بالفرد الصحيح. لم يطلب الباحثون من الحاسوب مجرد البحث عن الكلمات، بل علموه فهم العلاقات بينها، مثل التمييز بين أعراض المريض وأعراض أحد أقاربه، أو إدراك متى يكتب الطبيب أن عرضًا ما غائب.

لقد كانت عملية إنشاء هذه المكتبة عملية صارمة مزجت بين الخبرة البشرية والتكنولوجيا الحديثة. بدأ الفريق باختيار 200 مقال من قاعدة بيانات ضخمة للأدبيات الطبية. ثم استخدموا برنامجًا آليًا للقيام بمسحة أولية، لتحديد الإشارات المحتملة للأمراض، والجينات، والمواد الكيميائية، وغيرها من الكيانات البيولوجية. ولضمان الدقة، وظفوا نماذج لغوية كبيرة — وهي برامج حاسوبية متقدمة مدربة على كميات هائلة من النصوص — لمراجعة هذه الإشارات الأولية وتحديد الأخطاء المحتملة أو الأجزاء المفقودة. وأخيرًا، قام فريق من أحد عشر باحثًا، يضم أساتذة وطلاب دراسات عليا، بمراجعة كل مقال يدويًا. وقد عملوا في أزواج للاتفاق على حدود كل مصطلح طبي، وقرروا أي مريض ينتمي إليه اكتشاف محدد، وحددوا التفاصيل المعقدة مثل النتائج المنفية أو الأوصاف المركبة التي تجمع عدة أعراض معًا. وقد ضمن هذا النهج القائم على "الإنسان في الحلقة" (human-in-the-loop) أن تكون المجموعة النهائية من البيانات بمثابة معيار ذهبي للموثوقية، حيث تحتوي على أكثر من 55,000 ذكر محدد لكيانات طبية حيوية وما يقرب من 7,400 رابط صريح يربط تلك الكيانات بالمرضى الأفراد.

جاء الاختبار الحقيقي لهذا المورد عندما استخدمه الباحثون لمعرفة مدى قدرة البرامج الحاسوبية الحالية على أداء المهمة نفسها. فقد أجروا سلسلة من التجارب لقياس قدرة نماذج الذكاء الاصطناختلفة على التعرف على المصطلحات الطبية، والأهم من ذلك، تعيينها للشخص الصحيح. وعندما زُودت النماذج بالقائمة المثالية التي تحقق التحقق البشري للتعامل معها، تمكنت أفضل الأنظمة من ربط الأعراض بالمرضى بنسبة نجاح بلغت حوالي 88 بالمائة. أظهر هذا أنه في السيناريو المثالي، تكون الحواسيب جيدة جدًا في فهم من هو من في النص الطبي. ومع ذلك، فإن العالم الحقيقي نادرًا ما يكون مثاليًا. فعندما أجبر الباحثون النماذج على إيجاد المصطلحات بنفسها أولًا، دون أي مساعدة بشرية، انخفض الأداء بشكل ملحوظ؛ حيث تراجعت دقة أفضل نظام إلى حوالي 63 بالمائة.

يسلط هذا الانخفاض في الأداء الضوء على العقبات المحددة التي لا تزال قائمة. فقد وجد الباحثون أنه بينما تتحسن الحواسيب في رصد المصطلحات القياسية مثل جينات معينة أو أمراض معروفة، إلا أنها لا تزال تعاني مع الطرق المتنوعة والفوضوية التي يصف بها الأطباء الأعراض. فقد يحتوي وصف سريري واحد على عدة اختلالات مختلفة، أو يستخدم صياغة لا تتطابق مع القواميس الطبية القياسية. علاوة على ذلك، تظل مهمة تتبع مرضى متعددين في وثيقة واحدة صعبة؛ فقد يحدد الحاسوب عرضًا ما بشكل صحيح، لكنه يفشل في إدراك أنه ينتمي لشقيق المريض وليس للمريض نفسه، أو قد يغفل عن اكتشاف ما لأنه كان مدفونًا في قسم مختلف من التقرير. كما كشفت الدراسة أن الأخطاء في الخطوة الأولى — وهي إيجاد الكلمات الصحيحة — تتراكم لتؤثر على الخطوة الثانية، مما يجعل من المستحيل بناء ملف تعريف كامل ودقيق للمريض إذا كانت القائمة الأولية للمصطلحات معيبة.

رغم هذه التحديات، يوفر هذا العمل أساسًا حاسمًا لمستقبل الأبحاث الطبية الحيوية. فمن خلال تقديم مجموعة بيانات تجمع بين السرد الكامل والترميز الدقيق على مستوى المريض، يتيح PatientPheX للعلماء تطوير واختبار طرق يمكنها تحويل القصص الطبية المبعثرة إلى معرفة مهيكلة وقابلة للاستخدام. ويؤكد الباحثون أنه بينما تظهر نتائجهم الحالية وجود مجال للتحسين، فإن هذا المورد يعد خطوة ضرورية نحو بناء أنظمة يمكنها تنظيم الكم الهائل من المعلومات الواردة في الأدبيات الطبية بشكل موثوق. والهدف ليس مجرد استخراج البيانات، بل خلق صورة واضحة ومهيكلة لرحلة كل مريض الصحية، مما قد يساعد الباحثين في نهاية المطاف على كشف الروابط بين الجينات والأمراض بفعالية أكبر من أي وقت مضى.