An Interpretable Machine Learning Framework for Predicting Disease Progression in Early-Stage Cardiovascular-Kidney-Metabolic(CKM) Syndrome: A Prospective Cohort Study

شبكة الجسم المتشابكة: لماذا تؤدي مشكلة واحدة غالبًا إلى أخرى

تخيل جسدك كمدينة صاخبة. في هذه المدينة، القلب هو محطة توليد الطاقة، والكلى هي منشأة معالجة المياه، وعملية التمثيل الغذائي (الأيض) هي نظام التحكم في المرور الذي يحافظ على تدفق الطاقة بسلاسة. لفترة طويلة، كان الأطباء يعاملون المشكلات في هذه المناطق كحالات طوارئ منفصلة: أنبوب مسدود هنا، ومولد مكسور هناك. لكن مؤخرًا، أدرك العلماء أن هذه الأنظمة مترابطة بعمق لدرجة أن أي خلل في أحدها يؤدي دائمًا تقريبًا إلى تأثير متسلسل في الأنظمة الأخرى. تسمى هذه الفوضى المتشابكة بمتلازمة القلب والكلى والتمثيل الغذائي (CKM). فكر في الأمر كازدحام مروري على مستوى المدينة حيث يمكن لسيارة واحدة متعطلة أن تؤدي في النهاية إلى شلل محطة الطاقة وإغراق منشأة معالجة المياه.

السؤال الكبير الذي يحاول الباحثون الإجابة عليه هو: "هل يمكننا التنبؤ بأي أجزاء من المدينة على وشك الانهيار بعد قليل؟" يمتلك الأطباء أدوات لتحديد الأشخاص الذين يعانون بالفعل من مشاكل عميقة، لكنهم يواجهون صعوبة في رؤية علامات التحذير لدى الأشخاص الذين بدأوا للتو يشعرون بأنهم "ليسوا على ما يرام". هذا الأمر معقد بشكل خاص لأن المراحل المبكرة من هذه المتلازمة تشبه قنبلة موقوتة تتحرك بسرعات مختلفة من شخص لآخر. إذا استطعنا بناء بلورة سحرية تخبرنا بمن المرجح أن تسوء حالته بسرعة، فيمكننا التدخل مبكرًا وإصلاح حركة المرور قبل أن تغلق المدينة بأكملها. وهذا بالضبط ما سعى هذه الدراسة للقيام به: بناء بلورة سحرية ذكية تعتمد على الكمبيوتر للتنبؤ بمستقبل صحة الجسم.

---

البلورة السحرية التي تقول الحقيقة فعليًا

قرر فريق من الباحثين بناء "بلورة سحرية ذكية" باستخدام مجموعة بيانات ضخمة من دراسة الصين للصحة والتقاعد الطولي (CHARLS). نظروا في بيانات 3,773 بالغًا تبلغ أعمارهم 45 عامًا فأكثر، والذين كانوا في المراحل المبكرة والقابلة للعلاج من متلازمة (CKM). أرادوا معرفة من ستسوء حالتهم خلال السنوات الأربع القادمة. كانت النتائج مذهلة: خلال تلك الفترة الممتدة لأربع سنوات، تدهورت حالة 1,560 شخصًا (أي 41.3% من المجموعة) وانتقلوا إلى مرحلة أكثر خطورة. هذه قفزة هائلة، وهي أسرع بكثير مما رآه الباحثون في الدراسات الغربية، مما يشير إلى أن هذه الحالة لدى البالغين في منتصف العمر وكبار السن في الصين غير مستقرة للغاية وتتحرك بسرعة.

للتنبؤ بمن ستسوء حالتهم، لم يكتفِ الفريق بالتخمين؛ بل قاموا بتدريب ستة أنواع مختلفة من "أدمغة" الكمبيوتر (نماذج تعلم الآلة) على البيانات. أعطوا هذه النماذج قائمة من الأدلة، مثل العمر، ومؤشر كتلة الجسم (BMI)، وضغط الدم، وسكر الدم (HbA1c)، ووظائف الكلى. في البداية، بدا نموذج واحد يسمى (CatBoost) وكأنه النجم الخارق لأنه كان الأفضل في تصنيف الناس إلى مجموعات "ستسوء حالتهم" و"لن تسوء حالتهم". حقق هذا النموذج أعلى درجة في الدقة، والمعروفة باسم (AUC) وهي (0.772).

ولكن إليك المفاجأة: أدرك الباحثون أن كون النموذج جيدًا في التصنيف ليس كافيًا إذا كان يكذب بشأن "مدى احتمالية" حدوث شيء ما. تخيل تطبيق طقس يقول إن هناك احتمالًا بنسبة 90% لهطول الأمطار، لكنها تمطر بنسبة 10% فقط من الوقت. هذا التطبيق جيد في "التمييز" (فهو يعرف أن المطر قد يسقط)، لكنه سيئ جدًا في "المعايرة" (فهو مخطئ بشأن الاحتمالات). كان نموذج (CatBoost) مفرط الثقة، حيث توقع مخاطر قصوى لا تتطابق مع الواقع.

لذا، اختار الفريق نموذجًا مختلفًا: الغابة العشوائية (Random Forest). ورغم أنه كان أقل "حدة" قليلاً في تصنيف الناس (بدرجة AUC بلغت 0.761)، إلا أنه كان أفضل بكثير في قول الحقيقة بشأن الاحتمالات. كانت تنبؤاته مستقرة وموثوقة، مثل تطبيق طقس يقول "احتمال هطول الأمطار 50%" وتمطر بالفعل نصف المرات. اختار الباحثون هذا النموذج لأنه في الطب، من الأفضل أن تكون دقيقًا بشكل موثوق بدلاً من أن تكون براقًا ومخطئًا.

مشكلة "السقف" والمفاجأة العكسية

عندما استخدم الفريق بلورتهم السحرية الجديدة والموثوقة للنظر في مجموعات محددة، وجدوا شيئًا غريبًا ومهمًا. بالنسبة للأشخاص في المراحل المبكرة جدًا (المرحلة 0 والمرحلة 1)، وصل النموذج إلى "سقف تنبؤي". لم يستطع التمييز بين أولئك الذين ستسوء حالتهم وأولئك الذين لن تسوء حالتهم بشكل جيد. لماذا؟ لأن الجميع تقريبًا في هذه المراحل المبكرة ساءت حالتهم على أي حال (أكثر من 70% من الأشخاص في هذه المجموعات تقدموا في الحالة). الأمر يشبه محاولة التنبؤ بأي من 100 شخص يركضون في سباق سيتعثر، بينما 75 منهم يتعثرون بالفعل. لم يستطع النموذج العثور على القلة المحظوظة التي ظلت ثابتة لأن الخطر كان مرتفعًا للجميع.

كشفت الدراسة أيضًا عن نمط محير لم يُفهم إلا بعد أن قامت الحواسيب بالعمل الشاق. للوهلة الأولى، أظهرت البيانات أن الأشخاص الذين ساءت حالتهم كان لديهم في الواقع ضغط دم وسكر دم أقل من أولئك الذين ظلوا بصحة جيدة. بدا هذا معكوسًا! لكن الكمبيوتر أوضح الأمر: الأشخاص الذين ساءت حالتهم بدأوا من المراحل "الأكثر صحة" (المرحلة 0 أو 1)، بينما كان الأشخاص الذين ظلوا بصحة جيدة في معظمهم قد وصلوا بالفعل إلى المرحلة 2. وبمجرد أن قام الكمبيوتر بتعديل نقطة البداية هذه، ظهرت القصة الحقيقية: ارتفاع ضغط الدم وارتفاع سكر الدم زادا بالفعل من خطر تدهور الحالة، تمامًا كما هو متوقع.

كما كشف الكمبيوتر أن المرحلة الابتدائية نفسها كانت أكبر دليل. ومن المثير للاهتمام أن التواجد في المرحلة 2 قلل في الواقع من خطر التنبؤ بـ "التدهور أكثر" مقارنة بالمرحلة 0 أو 1. ويرى الباحثون أن هذا يرجع إلى أن الأشخاص في المرحلتين 0 و1 لديهم الكثير من الطرق التي يمكن أن تسوء بها حالتهم (يمكنهم زيادة الوزن، أو ارتفاع ضغط الدم، إلخ)، بينما الأشلخاص في المرحلة 2 لديهم مسارات "تصاعدية" أقل للذهاب إليها.

ماذا يعني هذا بالنسبة لك

الخلاصة الرئيسية من هذه الدراسة هي أنه بالنسبة للأشخاص في المراحل المبكرة جدًا من هذه المتلازمة، قد لا تكون درجات المخاطر المعتادة مفيدة جدًا. وبما أن الكثير من الناس في المرحلة 0 و1 معرضون لخطر التدهور على أي حال، فإن محاولة التنبؤ بـ من ستسوء حالتهم تشبه محاولة تخمين أي حبة رمل ستسقط أولاً في ساعة رملية بدأت تميل بالفعل.

بدلاً من إضاعة الطاقة في محاولة فرز هذه المجموعات عالية المخاطر إلى "آمنة" و"غير آمنة"، يقترح الباحثون أن أي شخص في هذه المراحل المبكرة يجب أن يحصل على مساعدة فورية. سواء قال الكمبيوتر إن احتمال تدهور حالتك هو 60% أو 80%، فإن الإجابة هي نفسها: أنت بحاجة إلى إصلاح نمط حياتك، والتحكم في وزنك، ومراقبة ضغط دمك الآن. يعمل النموذج بشكل أفضل لمجموعة أكبر من الناس في المرحلة 2، حيث تكون المخاطر مختلطة أكثر، ولكن حتى هناك، الدرس الأهم هو أن "النافذة المبكرة" لإصلاح هذه المشكلات تغلق بسرعة، ونحن بحاجة إلى التحرك قبل أن يصبح ازدحام المدينة دائمًا.