Prospective validation of an uncertainty-aware machine learning model for secondary progressive multiple sclerosis classification

يعتبر التصلب المتعدد حالة يقوم فيها الجهاز المناعي للجسم بمهاجمة الغطاء الواقي للألياف العصبية عن طريق الخطأ، مما يؤدي إلى تعطيل التواصل بين الدماغ وبقية الجسم. بالنسبة للكثير من الناس، يبدأ المرض بنمط "الانتكاس والهدوء"، حيث تشتد الأعراض ثم تتلاشى. ومع ذلك، يمكن للمرض مع مرور الوقت أن ينتقل إلى مرحلة "التطور الثانوي"، حيث يزداد العجز تدريجياً دون هذه الفترات المتميزة من التعافي. إن تحديد متى يحدث هذا التحول بالضبط أمر صعب للغاية على الأطباء. فخلافاً للتشخيص الأولي، الذي يعتمد على اختبارات محددة وقابلة للقياس، فإن التعرف على هذه المرحلة المتأخرة غالباً ما يعتمد على تقدير الطبيب وتاريخ طويل من زيارات المريض. وهذا اليقين قد يؤدي إلى تأخير بدء العلاجات المصممة خصيصاً للمرحلة المتطورة، مما يترك المرضى دون الرعاية المناسبة لسنوات.

لقد طور فريق من الباحثين في السويد طريقة جديدة للمساعدة في رصد هذا الانتقال بشكل أبكر وأكثر موثوقية. فقد قاموا ببناء نموذج حاسوبي يتعلم من السجلات الطبية لآلاف المرضى للتعرف على العلامات الدقيقة التي تشير إلى انتقال الشخص من مرحلة الانتكاس إلى المرحلة المتطورة. وما يجعل هذا العمل مختلفاً ليس فقط قدرة النموذج على تقديم تنبؤ، بل قدرته أيضاً على إخبار الطبيب بمدى تأكده من هذا التنبؤ. وفي دراسة حديثة، اختبر الباحثون هذا النموذج على بيانات جديدة جُمعت بعد بناء النموذج، مما أثبت أنه يعمل على مرضى جدد لم يسبق له رؤيتهم من قبل. ووجدوا أن النموذج يمكنه تحديد التحول إلى المرحلة المتطورة في كثير من الأحيان أكثر من الطريقة القياسية الحالية التي يستخدمها الأطباء، مع توفير مقياس واضح لثقته بنفسه.

بدأ الباحثون بتعليم نموذجهم الحاسوبي باستخدام قاعدة بيانات ضخمة من السجلات الطبية من السجل السويدي للتصلب المتعدد. احتوت هذه القاعدة على معلومات لأكثر من عشرة آلاف شخص وما يقرب من تسعين ألف زيارة للمستشفى. تعلم النموذج كيفية النظر في تفاصيل محددة من كل زيارة، مثل عمر المريض، ودرجة الإعاقة، وأنواع الأدوية التي يتناولونها، ونتائج فحوصات الدماغ. وتعلم التمييز بين المرضى الذين لا يزالون في مرحلة الانتكاس وأولئك الذين انتقلوا إلى المرحلة المتطورة، بناءً على كيفية تصنيف الأطباء لهم في السجل. ومن الأهمية بمكان أن النموذج صُمم ليشمل نظاماً يحسب درجة عدم اليقين؛ وهذا يعني أنه عندما يضع النموذج تخميناً، فإنه يقدم أيضاً درجة ثقة، مما يتيح للمستخدم معرفة ما إذا كان التنبؤ مؤكداً بقوة أو أن البيانات غامضة جداً بحيث لا يمكن التأكد منها.

ولرؤية ما إذا كان هذا النموذج سيعمل في العالم الحقيقي، لم يكتفِ الفريق باختباره على نفس البيانات التي استخدموها لتعليمه، بل انتظر وصول بيانات جديدة. فقد أخذوا سجلات من عام 2025، والتي تضمنت أكثر من خمسة عشر ألف فرد وخمسة وأربعين ألف زيارة مستشفى كانت جديدة تماماً على النموذج. ويُعرف هذا النهج بالتحقق الاستباقي (prospective validation)، وهو طريقة صارمة لضمان عمل الأداة على مرضى المستقبل، وليس فقط على مرضى الماضي. وعندما مرروا البيانات الجديدة عبر النموذج، أظهر دقة عالية. فعلى مستوى الزيارات المستشفى الفردية، حدد النموذج المرحلة المنتكسة بشكل صحيح في 92 بالمئة من الحالات والمرحلة المتطورة في 95 بالمئة من الحالات. والأهم من ذلك، ظل النموذج "معايجاً جيداً" (well-calibrated)، مما يعني أن درجات ثقته تطابقت مع الواقع؛ فعندما قال إنه متأكد بنسبة 93 بالمئة، كان محقاً في 93 بالمئة من المرات.

ثم نظر الباحثون في مدى قدرة النموذج على تحديد المرضى الأفراد الذين انتقلوا إلى المرحلة المتطورة. ووجدوا أن النموذج نجح في تحديد 98 بالمئة من المرضى الذين انتقلوا بالفعل، وهي نسبة أعلى بكثير من الطريقة القياسية الحالية المستخدمة، والتي لا تلتقط سوى 71 بالمئة منهم. تعتمد الطريقة القياسية، المعروفة باسم "معايير لورشيدر"، على مجموعة صارمة من القواعد التي تتطلب من المريض إظهار تراجع مستمر في الوظائف على مدى فترة طويلة دون أي انتكاسات حديثة. وبينما تعد هذه الطريقة دقيقة جداً ونادراً ما تطلق إنذارات خاطئة، إلا أنها تفوت العديد من الحالات لأنها تتطلب انتظاراً طويلاً لتأكيد التغيير. وفي المقابل، استطاع النموذج الجديد رصد الانتقال في وقت أبكر بكلة، وغالباً في الزيارة التي لاحظ فيها الطبيب التغيير لأول مرة، أو حتى قبل ذلك.

أحد الجوانب الأكثر قيمة لهذا العمل هو أن النموذج لا يكتفي بإعطاء إجابة بنعم أو لا، بل يشرح نفسه. فباستخدام تقنية تفكك العوامل التي أثرت في قراره، أظهر الباحثون أن النموذج كان يعتمد على نفس العلامات السريرية التي يبحث عنها الأطباء، مثل درجات الإعاقة والعمر. وتساعد هذه الشفافية في بناء الثقة، حيث تُظهر أن النموذج لا يجد أنماطاً خفية ليس لها معنى طبي. علاوة على ذلك، فإن قدرة النموذج على قول "أنا لست متأكداً" هي ميزة أمان؛ ففي الحالات التي تكون فيها البيانات مربكة، يقوم النموذج بالإشارة إلى عدم اليقين بدلاً من تقديم تخمين محفوف بالمخاطر، مما يسمح للطبيب البشري بالتدخل ومراجعة الحالة عن كثب.

كما سلطت الدراسة الضوء على اختلاف رئيسي في كيفية تعامل الطريقتين مع فترة الانتقال. فقد حدد النموذج 90 بالمئة من المرضى الذين كانوا في مرحلة الانتقال، بينما حددت المعايير القياسية 57 بالم % فقط. وهذا يشير إلى أن القواعد القياسية صارمة للغاية وقد تترك العديد من المرضى دون العلاجات المتاحة للمرحلة المتطورة. ومع اعتماد أدوية جديدة مؤخراً تستهدف المرحلة المتطورة تحديداً، فإن تفويت هؤلاء المرضى يعني أنهم لا يحصلون على الرعاية التي يحتاجونها. يوفر النموذج طريقة للإمساك بهذه الحالات في وقت أبكر، مما قد يسمح للأطباء ببدء العلاج المناسب في وقت أقصر.

ومع ذلك، يحرص الباحثون على ملاحظة أن نموذجهم ليس بديلاً للطبيب، بل هو أداة مصممة لدعم اتخاذ القرار السريري. لقد أُجريت الدراسة باستخدام بيانات من السويد، ويقر الباحثون بأن النموذج سيحتاج إلى الاختبار في دول أخرى ذات أنظمة رعاية صحية وسكان مختلفين قبل أن يمكن استخدامه عالمياً. كما يشيرون إلى أن النموذج يتعلم من كيفية تصنيف الأطباء للمرضى حالياً، لذا إذا كانت تلك التصنيفات متأخرة أو غير متسقة، فإن النموذج سيعكس ذلك. ورغم هذه القيود، تظهر الدراسة أن نموذجاً حاسوبياً مدرباً على بيانات من العالم الحقيقي يمكنه التنبؤ بتطور المرض بشكل موثوق وتوفير مقياس للثقة يفتقر إليه الممارسة القياسية حالياً.

الهدف النهائي لهذا البحث هو سد الفجوة بين اللحظة التي تتغير فيها حالة المريض واللحظة التي يتلقى فيها العلاج المناسب. ومن خلال توفير نظام إنذار مبكر موثوق يأتي مع بيان واضح للثقة، يمكن لهذه الأداة أن تساعد في ضمان عدم ترك المرضى لسنوات دون الاعتراف بأنهم يعانون من الشكل المتطور للمرض. وتظهر الدراسة أنه مع النهج الصحيح، يمكن دمج الذكاء الاصطناعي في الطب ليس كصندوق أسود غامض، بل كمساعد شفاف ومعاير يساعد الأطباء على رؤية مستقبل صحة المريض بوضوح أكبر.