Artificial intelligence-assisted prediction of Xpert-confirmed pulmonary tuberculosis using routine clinical and laboratory data in Southern Zambia: a retrospective pilot study
وجدت هذه الدراسة الاستطلاعية الاسترجاعية في جنوب زامبيا أن نماذج تعلم الآلة البسيطة التي تستخدم البيانات السريرية والمخبرية الروتينية كانت ذات قدرة تنبؤية محدودة لتشخيص السل الرئوي المؤكد باختبار "إكسبرت"، مما يشير إلى أن أدوات الذكاء الاصطناعي هذه ليست مناسبة بعد للنشر السريري، ويسلط الضون على الحاجة إلى مجموعات بيانات أكبر ومنسقة استباقياً.
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
لا يزال مرض السل أحد أكثر الأمراض المعدية استمراراً في العالم، وهو عدوى بكتيرية تهاجم الرئتين بشكل أساسى وتتسبب في وفاة الملايين سنوياً. وفي أجزاء كثيرة من أفريقيا، بما في ذلك زامبيا، لا يقتصر التحدي على علاج المرضى فحسب، بل في العثور عليهم بسرعة كافية لوقف انتشار العدوى. ويعتمد الأطباء على اختبار جزيئي سريع يسمى "جين إكسبرت" (GeneXpert) لتأكيد المرض، وهي عملية تكتشف المادة الوراثية للبكتة مباشرة من عينة المريض. وبينما يتميز هذا الاختبار بدقة عالية، إلا أنه يتطلب معدات وقطع غيار باهظة الثمن، وفي المناطق النائية، يمكن أن يؤدي الحجم الهائل لعدد المرضى إلى إرهاق النظام. وقد دفع هذا الواقع الباحثين إلى طرح سؤال عملي: هل يمكن لبرنامج حاسوبي أن يتعلم التنبؤ بمن هم الأكثر عرضة للإصابة بالسل من خلال النظر في المعلومات الروتينية البسيطة المتوفرة بالفعل في العيادة؟ قد تشمل هذه التفاصيل عمر المريض، وما إذا كان حالياً في المستشفى، ومؤشر كتلة الجسم لديه، أو نوع العينة التي قدمها، مثل اللعاب أو البلغم. وإذا استطاع ذكاء اصطناعي فرز هذه البيانات لتحديد الأفراد الأكثر عرضة للخطر، فقد يساعد ذلك العيادات على ترتيب أولويات موارد الاختبار المحدودة لديها بشكل أكثر فعالية.
وفي مستشفى إقليمي في جنوب زامبيا، شرع فريق من الباحثين في اختبار هذه الفكرة باستخدام بيانات واقعية من مختبرهم الخاص. لقد جمعوا سجلات لـ 129 مريضاً خضعوا للاختبار لمرض السل بين أواخر عام 2020 وأوائل عام 2021. وكان الهدف هو معرفة ما إذا كان بإمكان نموذج حاسوبي أن ينظر إلى التفاصيل الأساسية المسجلة قبل إجراء الاختبار - مثل ما إذا كان المريض مقيماً في المستشفى، أو تعداد خلايا الدم لديه، ونوع العينة التي تم جمعها - والتخمين بشكل صحيح ما إذا كانت نتيجة اختبار "جين إكسبرت" ستكون إيجابية لاحقاً. وقد تعامل الباحثون مع هذا كدراسة تجريبية، وهي تجربة صغيرة النطاق لمعرفة ما إذا كان النهج قابلاً للتطبيق قبل الاستثمار في أنظمة أكبر وأكثر تعقيداً. قاموا بتنظيف البيانات بعناية، حيث أزالوا المدخلات المكررة والسجلات التي تفتقر إلى نتيجة اختبار نهائية، مما ترك لهم 118 حالة مريض فريدة للتحليل.
كانت نتائج هذه التجربة صادمة. فعندما قام الباحثون بتدريب ثلاثة أنواع مختلفة من نماذج تعلم الآلة لإجراء هذه التنبؤات، كان أداء الحواسيب أفضل قليلاً من التخمين العشوائي فقط. فقد واجهت النماذج صعوبة في التمييز بين المرضى المصابين بالسل وأولئك غير المصابين، محققة مستوى من الدقة لا يصلح للاستخدام في عيادة حقيقية. ولم تظهر أي من القرائن القياسية التي كان الفريق يأمل أن تنجح - مثل عمر المريض، أو جنسه، أو حالته الصحية المتعلقة بفيروس نقص المناعة البشرية، أو تعداد خلايا الدم البيضاء - ارتباطاً قوياً أو موثوقاً بالمرض في هذه المجموعة المحددة. وقد أشارت البيانات إلى أن المعلومات الروتينية المتاحة في هذا السياق الإقليمي ببساطة لا تحتوي على إشارات كافية ليتعلم الحاسوب منها نمطاً مفيداً. وقد استبعدت الدراسة صراحةً فكرة إمكانية استخدام هذه النماذج البسيطة لتقرير من يجب أن يخضع للاختبار أو لتجاوز الاختبار للمرضى منخفضي الخطورة، لأن القيام بذلك قد يؤدي إلى تفويت العديد من الحالات.
ومع ذلك، كشفت الدراسة عن تفصيل واحد مفاجئ ومحدد برز من بين الضجيج. فقد لاحظ الباحثون أن نوع العينة التي قدمها المريض يبدو أكثر أهمية من أي شيء آخر تقريباً. فمن بين المرضى القلائل الذين قدموا عينة تم تصنيفها على أنها "لعاب"، كانت نسبة الإصابة بالسل أعلى بكثير مقارنة بأولئك الذين قدموا أنواعاً أخرى من العينات. وتحديداً، كانت أكثر من نصف عينات اللعاب إيجابية، بينما كانت حوالي عينة واحدة فقط من كل عشر عينات من الأنواع الأخرى إيجابية. وظل هذا الارتباط قوياً حتى عندما عدل الباحثون النتائج بناءً على عوامل أخرى مثل وزن الجسم. ومع ذلك، شدد الفريق على أن هذا الاكتشاف بعيد عن كونه مؤكداً. فقد استندت الدراسة إلى سبع عينات لعاب فقط، أربع منها كانت إيجابية. ولأن العدد كان صغيراً جداً، فإن النتيجة تُعتبر إشارة لتوليد فرضية بدلاً من كونها قاعدة مؤكدة. وهي تشير إلى ضرورة أن تنظر الدراسات المستقبلية بشكل أوثق في ما إذا كان اللعاب نوعاً أفضل من العينات لهذا الاختبار، لكنها لا تقدم بعد أداة تشخيصية جديدة.
في نهاية المطاف، يعد هذا البحث بمثابة مراجعة واقعية حيوية لتطبيق الذكاء الاصطناعي في البيئات محدودة الموارد. وخلص المؤلفون إلى أنه بينما تبدو فكرة استخدام البيانات البسيطة للتنبؤ بمرض السل جذابة، فإن الواقع الحالي في هذا الإقليم هو أن البيانات المتاحة شحيحة للغاية والأنماط ضعيفة جداً بحيث لا تدعم نموذجاً حاسوبياً فعالاً. وتوضح الدراسة أن مجرد تغذية الخوارزميات المعقدة بالأرقام الروتينية لا يمكن أن يعوض نقص المعلومات عالية الجودة والتفصيلية أو قلة عدد الحالات. ويرى الباحثون أنه قبل أن يتمكن الذكاء الاصطناعي من المساعدة في تحديد أولويات اختبار السل في زامبيا، تحتاج البلاد إلى مجموعات بيانات أكبر بكثير يتم جمعها بشكل استباقي عبر مراكز متعددة، مع معلومات معيارية وموثقة. وحتى ذلك الحين، تظل الطريقة الأكثر موثوقية للعثور على السل هي التقييم السريري الدقيق والاستخدام المباشر للاختبار الجزيئي، بدلاً من التنبؤ الحاسوبي القائم على السجلات الروتينية المحدودة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.