Machine Learning Prognostic Stratification for Treatment Decision Support in Elderly Gastric Adenocarcinoma: A SEER Analysis with External Clinical Validation

تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من البحث عن شخص مفقود، أنت تحاول التنبؤ بمستقبل صحة مريض. في عالم الطب، يسمى هذا الإنذار الطبي (prognosis). لطال many الأطباء استخدام قوائم مراجعة بسيطة وحسابات أساسية (مثل نموذج كوكس - Cox model) لتخمين المدة التي قد يعيشها المريض بعد التشخيص. فكر في هذه الأساليب القديمة كأنها خريطة أساسية: فهي تظهر الطرق الرئيسية، لكنها تغفل عن المنعطفات الضيقة، والازدحامات المرورية، والتحويلات المخفية التي تجعل كل رحلة فريدة من نوعها.

ومع ذلك، فقد دخلت أداة جديدة إلى حقيبة أدوات المحقق: تعلم الآلة (Machine Learning). إذا كان الحساب القديم عبارة عن خريطة أساسية، فإن تعلم الآلة يشبه نظام تحديد المواقع (GPS) فائق الذكاء الذي يتعلم من ملايين الرحلات الماضية ليجد أفضل مسار، حتى لو تغيرت ظروف الطريق بشكل غير متوقع. وهذا أمر مهم بشكل خاص للمرضى كبار السن (الأشخاص الذين تبلغ أعمارهم 65 عامًا أو أكثر). فهم المجموعة الأكبر التي تصاب بسرطان المعدة، ومع ذلك غالبًا ما يتم استبعادهم من الدراسات الطبية الكبيرة التي تعلم الأطباء كيفية علاج المرض. ولأن البالغين من كبار السن غالبًا ما يعانون من مشاكل صحية أخرى أو ضعف في البنية الجسدية، فإن خطة العلاج "الموحدة للجميع" لا تنجح دائمًا. السؤال الكبير هو: هل يمكننا استخدام نظام الـ GPS فائق الذكاء هذا لتحديد أي علاج بالضبط — الجراحة، أو العلاج الكيميائي، أو مجرد الرعاية التلطيفية — سيعطي كبار السن أفضل فرصة لحياة أطول وأفضل؟

---

سباق التنبؤ بسرطان المعدة الكبير

في هذه الدراسة، قرر فريق من الباحثين من جامعة ونتشو الطبية وجامعة تشيجيانغ وضع خمسة "أنظمة GPS" مختلفة (نماذج تعلم آلة) في مواجهة بعضها البعض لمعرفة أي منها يمكنه التنبؤ بمستقبل مرضى سرطان المعدة من كبار السن بشكل أفضل. لم يكتفوا بالتخمين؛ بل غدّوا هذه الحواسيب بكمية هائلة من البيانات الواقعية من برنامج SEER، وهو بمثابة مكتبة وطنية ضخمة لسجلات السرطان. لقد نظروا في ما يقرب من 69,000 مريض تبلغ أعمارهم 65 عامًا أو أكثر تم تشخيصهم بين عامي 2000 و2022.

اختبر الباحثون خمسة نماذج مختلفة:

1. Cox: الخريطة التقليدية الموثوقة.
2. RSF: غابة من أشجار القرار.
3. XGBoost: خوارزمية قوية وسريعة التعلم.
4. DeepSurv: نموذج يحاكي الدماغ البشري (شبكة عصبية).
5. Gradient Boosting: متعلم آخر يعتمد على الأشجار.

الفائز:
بعد إجراء آلاف عمليات المحاكاة، فاز XGBoost بالسباق. لقد تنبأ بنتائج البقاء على قيد الحياة بدرجة (تسمى C-index) بلغت 0.772، متفوقًا على نموذج Cox التقليدي (0.749) وغيره من النماذج. كان الأمر يشبه العثور على نظام GPS أكثر دقة بنسبة 3.1% من أفضل خريطة استخدمها الجميع لعقود. وجد الباحثون أن XGBoost ليس فقط أكثر دقة، بل هو أيضًا سريع للغاية، حيث استغرق 3 ثوانٍ فقط للقيام بما استغرقه النموذج الآخر في 866 ثانية.

المفاجآت الكبرى: الجراحة مقابل العمر

كشفت الدراسة عن قواعد واضحة جدًا حول ما يهم حقًا بالنسبة للمرضى كبار السن، وهو ما قد يفاجئ البعض.

1. "قوة" الجراحة الخارقة
أهم عامل وجده الكمبيوتر لم يكن مرحلة السرطان أو عمر المريض، بل كان الجراحة. في الواقع، كان خضوع المريض للجراحة أكثر أهمية بـ 4.4 مرة من وجود سرطان في المرحلة الرابعة (المرحلة الأكثر تقدمًا). إذا كان المريض المسن بصحة جيدة تسمح له بإجراء الجراحة، فإن فرص بقائه على قيد الحياة ترتفع بشكل هائل، بغض النظر عن عمره. أظهرت البيانات أن الجراحة كانت أقوى مؤشر على حياة أطول.

2. "فخ" العلاج الكيميائي
هنا ينهار مفهوم "النموذج الموحد للجميع". وجدت الدراسة أن العلاج الكيميائي (العلاج الدوائي) ليس سلاحًا سحريًا للجميع.

• المرحلة الأولى (المبكرة): بالنسبة للمرضى الذين يعانون من سرطان مبكر جدًا، لم يقدم العلاج الكيميائي أي شيء (كانت الفائدة صفرًا).
• المرحلة الرابعة (المتقدمة): بالنسبة لمرضى السرطان المتقدم، كان العلاج الكيميائي منقذًا للحياة، حيث قلل من خطر الوفاة بشكل كبير.
  خلص الباحثون إلى أن إعطاء العلاج الكيميائي لمريض في مرحلة مبكرة قد يكون مجرد إضافة للضغط النفسي والجسدي دون إضافة سنوات من الحياة.

3. أسطورة "العمر"
تجادل الدراسة بضرلو توقفنا عن النظر إلى تاريخ ميلاد المريض كسبب رئيسي لحرمانه من العلاج. بدلاً من ذلك، يجب أن ننظر إلى جسده. اختبر الباحثون فكرة جديدة: ماذا لو قمنا بقياس أشياء مثل فقدان الكتلة العضلية (ساركوبينيا)، وسرعة المشي، والالتهابات؟
عندما أضافوا هذه القرائن المتعلقة بـ "صحة الجسم" إلى نموذجهم، قفزت دقة التنبؤ بنسبة 10%.

• المرضى الذين يعانون من فقدان شديد في العضلات كانوا أكثر عرضة لنتائج سيئة بمقدار 3.39 مرة.
• المرضى الذين يمشون بسرعة أقل من 0.8 متر في الثانية كانوا أكثر عرضة للمعاناة بمقدار 2.45 مرة.
  كما كانت مستويات البروتين المنخفضة في الدم علامة حمراء رئيسية أيضًا.

يشير هذا إلى أن شخصًا يبلغ من العمر 80 عامًا يتمتع بالقوة ويمشي جيدًا قد يكون مرشحًا أفضل للجراحة من شخص يبلغ من العمر 70 عامًا ولكنه هزيل وفقد عضلاته.

اختبار الواقع: هل يعمل نظام الـ GPS في كل مكان؟

لم يتوقف الباحثون عند قاعدة البيانات الكبيرة فحمة. فقد أخذوا نموذج XGBoost الفائز واختبروه على مجموعة مختلفة تمامًا مكونة من 575 مريضًا من مستشفى في الصين. هذا يشبه أخذ نظام GPS تدرب على طرق أمريكية واختباره على طرق يابانية.

النتيجة؟ انخفضت دقة النموذج من 0.772 إلى 0.617.
لماذا؟ أوضح الباحثون أن هذا لم يكن لأن النموذج "معطل" أو "مفرط في التخصيص" (يحفظ الإجابات)، بل لأن مجموعة المرضى الجديدة كانت مختلفة. في هذه المجموعة الصينية، خضع 100% من المرضى للجراحة. ولأن الجميع تلقوا نفس العلاج، لم يستطع النموذج استخدام "الجراحة" كدليل للتمييز بينهم. إنه مثل محاولة تخمين من هو الأسرع في سباق عندما يرتدي الجميع نفس الأحذية ويركضون على نفس المضمار؛ تختفي القرائن.

يعلمنا هذا درسًا حيويًا: أداة التنبؤ تكون جيدة بقدر تنوع العلاجات التي تراها. إذا كان المستشفى يجري الجراحة فقط، فقد يرتبك النموذج المدرب على مزيج من حالات الجراحة وحالات عدم الجراحة.

الحكم النهائي

تشير هذه الدراسة إلى أنه يمكننا القيام بعمل أفضل بكثير في علاج مرضى سرطان المعدة المسنين إذا توقفنا عن الاعتماد على حدود العمر البسيطة وبدأنا في استخدام الحواسيب الذكية للنظر في الصورة الكاملة.

• الجراحة هي أقوى أداة لدينا، ولكن يجب مطابقتها مع القوة البدنية للمريض.
• العلاج الكيميائي يجب استخدامه بحذر، فقط عندما تتطلب مرحلة السرطان ذلك فعليًا.
• صحة الجسم (العضلات، سرعة المشي، الالتهابات) تهم أكثر من الرقم الموجود على كعكة عيد الميلاد.

لقد بنى الباحثون "درجة خطورة" جديدة تسمى درجة SIP والتي تجمع هذه القرائن الجسدية، لكنهم يقرون بأن هذه مجرد نقطة انطلاق. فهي تحتاج إلى الاختبار في المزيد من المستشفيات ومع المزيد من المرضى قبل أن تصبح قاعدة قياسية للأطباء. في الوقت الحالي، الرسالة واضحة: استخدم نظام الـ GPS فائق الذكاء، ولكن تذكر دائمًا أن تتحقق من الخريطة لمعرفة الطريق المحدد الذي تقود عليه.