Construction and Cross-Cohort Validation of Survival Prediction Models for Prostate Cancer: An Interpretable Machine Learning Study Based on SEER and Local Chinese Clinical Data

في كل عام، يتلقى ملايين الرجال حول العالم تشخيصاً بالإصابة بسرطان البروستاتا. وبينما يعيش الكثيرون حياة طويلة وممتلئة بعد العلاج، إلا أن هذا المرض يمكن أن يكون غير متوقع. وبالنسبة للأطباء والمرضى، فإن السؤال الأكثر إلحاحاً لا يقتصر غالباً على ما إذا كان العلاج سينجح أم لا، بل في كم سيعيش الشخص معه. ويتطلب الإجابة على ذلك النظر في شبكة معقدة من العوامل: عمر الرجل، ونوع الورم تحديداً، وما إذا كان السرطان قد انتشر، وحتى ظروفه الاجتماعية. تقليدياً، اعتمد الأطباء على جداول إحصائية لتقدير هذه المخاطر، لكن هذه الأدوات غالباً ما تعامل كل مريض كلقطة ثابتة، وتغفل كيف تتغير مخاطر الشخص بمرور الوقت أو كيف يمكن للعوامل المختلفة أن تتفاعل بطرق غير متوقعة.

في السنوات الأخيرة، بدأ العلماء في استخدام برامج حاسوبية متطورة، تُعرف باسم تعلم الآلة، لإيجاد أنماط في كميات هائلة من البيانات الطبية التي قد تغفل عنها العين البشرية. ومع ذلك، فإن هذه البرامج القوية غالباً ما تعمل كـ "صناديق سوداء"، حيث تعطي إجابة دون شرح كيفية وصولها إليها. وهذا النقص في الشفافية يجعل من الصعب على الأطباء الوثوق بالنتائج أو استخدامها لتوجيه المرضى بشكل فردي. ولتجسير هذه الفجوة، شرع فريق من الباحثين في بناء أداة تنبؤ من نوع جديد؛ فقد أرادوا نظاماً لا يمكنه التنبؤ بالبقاء على قيد الحياة بدقة عالية فحسب، بل يمكنه أيضاً شرح منطقه بوضوح، موضحاً بالضبط أي العوامل كانت أكثر أهمية وكيف تغيرت أهميتها مع مرور الوقت.

بدأ الباحثون بجمع كمية هائلة من المعلومات من مصدرين مختلفين تماماً. كان الأول هو قاعدة بيانات (SEER)، وهي مجموعة ضخمة من السجلات السرطانية من الولايات المتحدة، والتي وفرت بيانات لأكثر من 90,000 مريض. ولضمان عمل أداتهم مع أشخاص خارج الغرب، أضافوا مجموعة ثانية: ما يقرب من 1,000 مريض عولجوا في مستشفى في كاشغار، بمنطقة شينجيانغ في الصين. مثلت هذه المجموعة الخارجية مجتمعاً متميزاً ذا خلفيات ديموغرافية ورعاية صحية مختلفة. ومن خلال الجمع بين مجموعتي البيانات، أنشأ الفريق أرضية تدريب قوية لنماذجهم الحاسوبية. وقد قاموا بتغذية البيانات في سبعة أنواع مختلفة من الخوارزميات، تتراوح من الأساليب الإحصائية التقليدية إلى تقنيات تعلم الآلة الحديثة، وطلبوا من كل منها التنبؤ بالبقاء الإجمالي للمرضى على قيد الحياة.

بعد معالجة الأرقام، وجد الفريق أن نوعاً واحداً معيناً من نماذج تعلم الآلة، يُعرف باسم "الأشجار المعززة" (boosted tree)، كان الأفضل أداءً. وبخلاف النماذج الأخرى، كان هذا النموذج يتفوق باستمرار في تقديم التنبؤات الأكثر دقة عبر جميع مجموعات المرضى الثلاث: مجموعة التدريب الأولية، والمجموعة الثانية المستخدمة للتحقق الداخلي، والمجموعة الصينية المستقلة. كانت قدرة النموذج على التمييز بين المرضى الذين سيعيشون لفترة أطول وأولئك الذين لن يفعلوا قوية، حيث ظلت درجات الدقة مرتفعة حتى عند اختباره على المجموعة الجديدة والمتنوعة. وقد أشار هذا إلى أن الأداة لم تكن مجرد تحفظ بيانات أمريكية، بل تعلمت قواعد عامة حول سرطان البروستاتا تنطبق على مختلف المجموعات السكانية.

وما جعل هذه الدراسة قيمة بشكل خاص لم يكن فقط دقة التنبؤ، بل الوضوح الذي شرحت به القرارات. فقد استخدم الباحثون تقنيات تصور خاصة لتقشير طبقات "الصندوق الأسود". واكتشفوا أن العوامل المؤثرة على بقاء المريض على قيد الحياة لم تكن ثابتة؛ إذ تغيرت أهميتها اعتماداً على المدة التي تمت فيها متابعة المريض. فعلى سبيل المثال، في السنوات القليلة الأولى بعد التشخيص، كان انتشار السرطان إلى أجزاء بعيدة من الجسم هو العامل الأكثر حرجاً في التنبؤ بالبقاء على قيد الحياة. ومع ذلك، مع مرور الوقت، أصبح عمر المريض هو القوة المهيمنة؛ فبينما حدد انتشار المرض التوقعات قصيرة المدى، أصبح العمر هو المحرك الأساسي لفرص البقاء على قيد الحياة على المدى الطويل. هذا التحول الديناميكي يعني أن نهج المراقبة الموحد لجميع المرضى غير كافٍ، وأن التركيز على الرعاية يجب أن يتطور مع مرور الوقت.

كما كشف النموذج أيضاً كيف تتفاعل العوامل المختلفة مع بعضها البعض بطرق قد تغفل عنها الإحصاءات التقليدية. فعلى سبيل المثال، وجد الباحثون أن تأثير وجود سرطان نقيلي (منتشر) يختلف لدى الرجال الأكبر سناً مقارنة بالرجال الأصغر سناً. فبينما كان الانتشار خطيراً على الجميع، كان تأثيره السلبي أقل حدة نوعاً ما لدى كبار السن جداً، في حين واجه المرضى الأصغر سناً الذين يعانون من الحالة نفسها منحدر خطر أكثر حدة. وبالمثل، أظهرت الدراسة أن تلقي العلاج الكيميائي يوفر فائدة في البقاء على قيد الحياة، لكن حجم تلك الفائدة يختلف بشكل كبير اعتماداً على عمر المريض. كما سلط النموذج الضوء على دور الدعم الاجتماعي، حيث وجد أن الرجال الأرامل أو العزاب يواجهون مخاطر أعلى، خاصة عند اقتران ذلك بمراحل متقدمة من المرض. هذه التفاعلات تشير إلى أن خطة علاج المريض ونظام دعمه يجب أن يُصمما ليس فقط بناءً على ورمه، بل أيضاً بناءً على عمره وظروفه الشخصية.

من خلال الجمع بين الدقة العالية والشفافية العميقة، تقدم هذه الأبحاث طريقة جديدة للتفكير في توقعات سرطان البروستاتا. فالأداة لا تكتفي بمجرد إعطاء رقم، بل توفر خريطة مفصلة للمخاطر، توضح للأطباء العوامل التي تقود نتيجة مريض معين وكيف قد تتغير تلك المخاطر في السنوات القادمة. إنها تثبت أن نموذج تعلم الآلة يمكن أن يكون قوياً ومفهوماً في آن واحد، وقادراً على التعلم من مجموعات سكانية عالمية متنوعة وتقديم رؤى قابلة للتطبيق مباشرة في القرارات السريرية الفردية. ولأول مرة، يمتلك الأطباء أداة موثوقة يمكنها مساعدتهم في التنقل عبر المشهد المعقد والمتغير للبقاء على قيد الحياة مع سرطان البروستاتا، مما يضمن أن تكون العلاجات ومتابعة الرعاية دقيقة وشخصية قدر الإمكان.