Explainable machine learning-assisted differentiation of brucellosis from tuberculosis via routine blood biomarkers
طورت هذه الدراسة وثبّتت صحة نموذج غابة عشوائية من ثلاثة متغيرات ومنخفض التكلفة، باستخدام التاريخ المهني ومستويات إنزيم ALT وGGT للتمييز بدقة بين داء البروسيلات والسل في مرافق الرعاية الأولية، محققة أداءً قويًا يضاهي النماذج الأكثر تعقيدًا.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في أجزاء كثيرة من العالم، ولا سيما في المناطق الرعوية في آسيا الوسطى، تدخل عدوى بكتيرية متميزة غالباً ما تبدو متطابقة عند دخولها إلى العيادة الطبية. إحداهما هي داء البروسيلات (الحمى المالطية)، وهو مرض يُصاب به من الحيوانات مثل الأغنام والماشية، والأخرى هي السل، وهو عدوى تنفسية لازمت البشرية لقرون. يمكن لكليهما أن يسبب للمريض شعوراً بالوعكة مع الحمى، والتعرق الليلي، وآلام المفاصل، وفقدان الوزن. ولأن أعراضهما تتداخل بشكل كبير، غالباً ما يواجه الأطباء في مراكز الرعاية الأولية صعوبة في التمييز بينهما. إن الطرق القياسية لتأكيد التشخيص، مثل استزراع البكتيريا في المختبر، قد تستغرق أسابماً أو حتى شهوراً، كما أن الاختبارات لا تنجح دائماً. وهذا التأخير خطير؛ فمعالجة المرض الخاطئ يمكن أن تؤدي إلى مضاعفات شديدة، والانتظار لفترة طويلة يسمح للعدوى بالتغلغل بشكل أعمق في الجسم. وفي الأماكن التي تفتقر إلى المعدات الطبية المتقدمة، يبرز احتياج ملح لإيجاد طريقة سريعة، ورخيصة، وموثوقة للتمييز بين هذين المرضين.
ولمعالجة هذا التحدي، توجه فريق من الباحثين في شينجيانغ، الصين، نحو مجال من مجالات علوم الحاسوب يُعرف بتعلم الآلة. يتيح هذا النهج للحواسيب إيجاد أنماط معقدة في مجموعات كبيرة من البيانات قد تغفل عنها العين البشرية. قام الباحثون بجمع السجلات الطبية لمئات المرضى الذين تم تشخيص إصابتهم إما بداء البروسيلات أو بالسل. وركزوا على معلومات متوفرة بالفعل في كل مستشفى تقريباً: فحوصات الدم الروتينية وسؤال بسيط حول مهنة المريض. أرادوا معرفة ما إذا كان بإمكان الحاسوب تعلم كيفية رصد الاختلافات الدقيقة في هذه الأرقام اليومية التي تشير إلى أي مرض يعاني منه المريض، دون الحاجة إلى اختبارات متخصصة مكلفة أو مستهلكة للوقت.
بدأ الفريق بجمع بيانات من 273 مريضاً، مع ضمان تشابه المجموعة المصابة بالبروسيلات ومجموعة المصابين بالسل في العمر والجنس لجعل المقارنة عادلة. نظروا في خمسة وثلاثين نوعاً مختلفاً من المعلومات، بدءاً من عدد خلايا الدم البيضاء لدى المريض وصولاً إلى مستويات بروتينات مختلفة في كبده. ثم قاموا بتغذية هذه البيانات في أربعة أنواع مختلفة من خوارزميات تعلم الآلة، وهي في الأساس طرق رياضية مختلفة لإيجاد الأنماط. كان الهدف هو معرفة أي طريقة يمكنها تصنيف المرضى بدقة أكبر في فئة المرض الصحيحة. وبعد اختبار النماذج وتطويرها، وجد الباحثون أن خوارزمية محددة، تُعرف باسم "الغابة العشوائية" (Random Forest)، قدمت الأداء الأفضل؛ حيث نجحت في التمييز بين المرضين بدرجة عالية من الدقة، متفوقة بذلك على الطرق الأخرى التي اختُبرت ضدها.
ومع ذلك، فإن نموذج الحاسوب الذي يعمل جيداً لا يكفي إذا لم يستطع الأطباء فهم سبب اتخاذه لقرار معين. ولحل هذه المشكلة، استخدم الباحثون تقنية تسمى "تحليل شاب" (SHAP analysis)، والتي تعمل مثل تسليط الضو لبيان أي قطع محددة من المعلومات كانت الأكثر أهمية لاختيار الحاسوب. واكتشفوا أن النموذج اعتمد بشكل كبير على ثلاثة عوامل فقط: مهنة المريض، ومستويات إنزيمين محددين في الكبد في دمه. العامل الأول هو ما إذا كان المريض يعمل كزارع أو راعٍ. أما العاملان الآخران فهما قياسات إنزيم "ألانين أمينوترانسفيراز"، والذي يُطلق عليه غالباً (ALT)، وإنزيم "غاما غلوتاميل ترانسفيراز"، أو (GGT). وأظهر التحليل أن المرضى الذين يعملون مع الماشية ولديهم مستويات أعلى من هذين الإنزيمين الكبديين كانوا أكثر عرضة للإصابة بالبروسيلات. وعلى العكس من ذلك، فإن المرضى الذين لديهم مستويات أقل من هذه الإنزيمات وليس لديهم تاريخ في العمل الزراعي كانوا أكثر عرضة للإصابة بالسل.
قام الباحثون بعد ذلك ببناء نسخة مبسطة من نموذجهم باستخدام هذه العوامل الثلاثة فقط. أرادوا إثبات أنهم ليسوا بحاجة إلى قائمة معقدة مكونة من خمسة وثلاثين متغيراً للحصول على نتيجة جيدة. وعندما اختبروا هذا النموذج المبسط، احتفظ بأكثر من تسعين بالمائة من دقة النسخة الكاملة والمعقدة. وهذا يعني أنه يمكن للطبيب نظرياً إجراء تخمين مستنير للغاية حول التشخيص بمجرد النظر إلى فحص دم قياسي لوظائف الكبد والسؤال عن مهنة المريض. وللتأكد من أن هذه النتيجة لم تكن محض صدفة، اختبر الفريق النموذج المبسط على مجموعة جديدة من المرضى من فترة زمنية مختلفة. وقد أدى النموذج عمله بنفس الكفاءة، حيث حدد المرض بشكل صحيح في الغالبية العظمى من الحالات، مما أظهر أنه يمكن الوثوق به حتى عند تطبيقه على بيانات جديدة.
إن السبب البيولوجي وراء هذه النتائج يبدو منطقياً عند النظر في كيفية سلوك هاتين البكتيريتين داخل جسم الإنسان. فبكتيريا "بروسيلا"، التي تسبب داء البروسيلات، لديها ميل قوي لغزو الكبد والخلايا المناعية داخله، مما يسبب التهاباً وضررًا يؤديان إلى رفع مستويات (ALT) و(GGT) في الدم. أما السل، من ناحية أخرى، فيؤثر بشكل أساسي على الرئتين ويسبب ضرراً أقل مباشرة للكبد، مما يؤدي إلى مستويات أقل من هذه الإنزيمات المحددة. كما أن الارتباط بالزراعة والرعي واضح أيضاً، حيث تتضمن هذه المهن اتصالاً وثيقاً بالحيوانات التي تحمل هذه البكتيريا. ومن خلال الجمع بين هذا الواقع البيولوجي وقوة تعلم الآلة، ابتكر الباحثون أداة تتسم بالسلامة العلمية والمنفعة العملية.
توضح هذه الدراسة أن وجود مساعد تشخيصي منخفض التكلفة وسهل الاستخدام هو أمر ممكن في المناطق ذات الموارد المحدودة. هذه الأداة لا تتطلب معدات جديدة أو كواشف باهظة الثمن؛ بل تقوم ببساطة بإعادة تفسير فحوصات الدم الروتينية التي يتم إجراؤها بالفعل. وقد أكد الباحثون أن نموذجهم المبسط ليس دقيقاً فحسب، بل هو أيضاً مستقر، مما يعني أنه يعطي نتائج متسقة. وبينما أُجريت هذه الدراسة في مستشفى واحد وتحتاج إلى مزيد من الاختبارات في مواقع أخرى لإثباتها تماماً، فإن النتائج تقدم مساراً واعداً. بالنسبة للأطباء في الرعاية الأولية، قد يعني هذا النهج الفرق بين تلقي المريض للعلاج الصحيح بسرعة أو المعاناة من تأخر التشخيص. إنه يحول مشكلة طبية معقدة إلى عملية حسابية بسيطة بناءً على حقائق يومية، مما يوفر طريقة جديدة لحماية الصحة العامة في المناطق التي يشيع فيها هذان المرضان.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.