Does AI-predicted biochemical age predict death? A cross-validated re-examination in NHANES 1999–2018 with linked mortality follow-up
تُظهر هذه الدراسة أنه في حين يمكن لنماذج تعلم الآلة المعقدة أن تتنبأ بالعمر الزمني من كيمياء الدم بدقة أكبر، إلا أن مقاييس "تسارع العمر" الناتجة عنها تكون أقل فعالية في التنبؤ بالوفاة مقارنة بالنماذج الأبسط أو المؤشرات الحيوية المدربة مباشرة على نتائج الوفاة، مما يكشف أن هدف التدريب وليس تعقيد النموذج أو المؤشرات الحيوية هو العامل الحاسم في تطوير مقايضات عمر بيولوجي مفيدة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تخمين مدى سرعة تآكل سيارة بمجرد النظر إلى عداد المسافات. في عالم علوم الشيخوخة، هناك فكرة شائعة تسمى "العمر البيولوجي". الفكرة بسيطة: قد يكون شخصان في نفس العمر (العمر الزمني)، ولكن أحدهما قد يشعر ويعمل وكأنه أكبر أو أصغر بكثير في السن بسبب كيفية شيخوخة جسده فعلياً. لقد عمل العلماء على بناء "ساعات بيولوجية" لقياس ذلك. عادةً ما يفعلون ذلك عبر تدريب حاسوب على النظر في نتائج فحوصات الدم الخاصة بالشخص وتخمين عمره. إذا خمن الحاسوب أنك أكبر مما أنت عليه في الواقع، فإن الفكرة هي أنك تشيخ بشكل أسرع من الطبيعي. هذا "العمر الإضافي" يسمى "تسارع العمر". ويأمل العديد من الباحثين أن يكون هذا مؤشراً للتنبؤ بمن سيمرض أو يموت في وقت أقرب. ولكن هنا يبرز السؤال الكبير: هل الحاسوب الذي يجيد حقاً تخمين عمرك يخبرنا بالفعل بأي شيء مفيد عن طول عمرك؟
هذه الورقة البحثية، التي كتبها الباحث جون فينغ، تغوص مباشرة في هذا السؤال باستخدام مجموعة بيانات ضخمة من فحوصات الدم لأكثر من 45,000 بالغ أمريكي. سعى المؤلف لاختبار ادعاء محدد: وهو أن "الأخطاء" التي يرتكبها الحاسوب عند تخمين عمرك (مثل التنبؤ بأنك في الخمسين بينما أنت في الخامسة والأربعين فعلياً) هي علامة على سرعة وفاتك. وللقيام بذلك، استخدمت الدراسة مستودعاً هائلاً من البيانات من "المسح الوطني لفحص التغذية والصحة" (NHANES)، حيث تتبعت كيمياء الدم وراقبت من توفي خلال العقدين التاليين. والنتائج كانت بمثابة تحول غير متوقع في الحبكة بالنسبة للمجتمع العلمي. فقد وجدت الدراسة أنه بينما تعد نماذج الذكاء الاصطناعي المتطورة ممتازة في تخمين العمر الزمني، فإن "تسارع العمر" الذي تنتجه هو في الواقع مؤشر سيئ للغاية للتنبؤ بالوفاة. في الواقع، كلما أصبح الذكاء الاصطناعي أفضل في تخمين عمرك، قلّت فائدة تنبؤاته في إخبارك بمدى خطورة تعرضك للوفاة. السر الحقيقي للتنبؤ بالموت لم يكن في "أخطاء" نماذج تخمين العمر، بل في تدريب الحاسوب على البحث مباشرة عن علامات الموت في الدم.
تجربة تخمين العمر الكبرى
فكر في فحوصات الدم في هذه الدراسة كأنها أحجية مكونة من 38 قطعة. أخذ الباحثون قطع الأحجية هذه — أشياء مثل الكوليسترول، وسكر الدم، وعد تعداد خلايا الدم البيضاء — وطلبوا من الحاسوب حل لغز محدد: "بناءً على هذه الأرقام، كم عمر هذا الشخص؟". جربوا ستة أنواع مختلفة من "الأدمغة الحاسوبية"، تتراوح من الرياضيات البسيطة (مثل الخط المستقيم) إلى الشبكات العصبية المعقدة والمرنة (مثل الذكاء الاصطناعي ذو التفكير العميق).
الجزء الأول من القصة هو انتصار للذكاء الاصطناعي المعقد. فعندما سأل الباحثون: "من يمكنه تخمين العمر بشكل أفضل؟"، فازت الشبكات العصبية المرنة ونماذج تعزيز التدرج (gradient boosting) باكتساح. لقد كانوا أفضل بكثير في التنبؤ بالعمر من النماذج الخطية البسيطة. حققت أفضل شبكة عصبية درجة دقة (تسمى R²) بلغت 0.557، مما يعني أنها تستطيع تفسير حوالي 56% من التباين في العمر. أما النماذج البسيطة فلم تنجح إلا في تحقيق حوالي 40%. إذا كنت تبحث فقط عن حاسوب يمكنه تخمين تاريخ ميلادك من فحص دم، فسيكون الذكاء الاصطناعي المعقد هو بطلُك.
التحول: كونك جيداً في تخمين العمر يعني أنك سيء في التنبؤ بالموت
هنا تأخذ القصة منعطفاً حاداً. أخذ الباحثون بعد ذلك "الأخطاء" من أجهزة تخمين العمر هذه. إذا قال الحاسوب إن عمرك 50 عاماً بينما أنت في الخامسة والأربعين، فإن هذا الفرق (+5) هو "تسارع عمرك". كان الأمل الكبير هو أن هذا الرقم سيخبرنا بمن سيموت في وقت أقرب.
كانت النتائج مفاجئة. فالنماذج الحاسوبية التي كانت الأفضل في تخمين العمر تبين أنها الأسوأ في التنبؤ بالوفاة.
- النماذج البسيطة (مثل انحدار ريدج - ridge regression)، والتي كانت أقل دقة في تخمين العمر، أنتجت درجة "تسارع عمر" حسنت التنبؤ بالوفاة بنسبة ضئيلة جداً (أضافت حوالي 0.0124 إلى درجة إحصائية تسمى C-index).
- أما الشبكات العصبية فائقة الذكاء، التي كانت الأفضل في تخمين العمر، فقد أنتجت درجة لم تضف شيئاً تقريباً للتنبؤ بالوفاة (0.0056 فقط).
وجدت الدراسة ارتباطاً سلبياً قوياً: كلما زادت دقة التنبؤ بالعمر، قلت فائدة "تسارع العمر" في التنبؤ بالوفاة. يبدو الأمر كما لو أن الذكاء الاصطناعي المعقد كان مشغولاً جداً بحفظ التفاصيل الدقيقة والمحددة لكيفية تغير الدم مع تقدم العمر، لدرجة أنه تخلص دون قصد من الإشارات التي تشير فعلياً إلى الخطر. تشير الورقة إلى أنه من خلال محاولة الوصول إلى المثالية في تخمين العمر، قام الذكاء الاصطناعي بالتخلص من المعلومات المهمة للبقاء على قيد الحياة.
الفائز الحقيقي: التدريب على الهدف الصحيح
لإثبات أن بيانات الدم كانت تحتوي بالفعل على معلومات تتعلق بالحياة والموت، أجرى الباحثون تجربة ثانية. بدلاً من سؤال الحاسوب: "كم عمر هذا الشخص؟"، سألوا: "من المرجح أن يموت؟". قاموا بتدريب نموذج جديد باستخدام نفس الـ 38 اختباراً للدم، ولكن هذه المرة تعلم الحاسوب التنبؤ بالموت مباشرة.
النتيجة؟ كان هذا النموذج "المدرب على الموت" تحسناً هائلاً. فقد عزز التنبؤ بالوفاة بمقدار 0.0367 — أي أفضل بثلاث مرات تقريباً من أفضل نموذج تم تدريبه على العمر. والأكثر أهمية من ذلك، أنه عندما أضافوا هذا النموذج المدرب على الموت إلى نموذج يتضمن بالفعل "تسارع العمر" الناتج عن الذكاء الاصطناعي، أضاف النموذج المدرب على الموت كمية هائلة من المعلومات الجديدة. أثبت هذا أن النماذج المدربة على العمر لم تكن قد فاتتها الإشارة فحسب، بل إنها استبعدت الإشارة بنشاط.
كما نظرت الورقة في ساعة شهيرة موجودة حالياً تسمى "PhenoAge"، والتي بُنيت للتنبؤ بالموت. لقد كان أداؤها أفضل من نماذج تخمين العمر، لكنها لم تكن بنفس جودة النموذج الجديد المدرب على الموت والمبني من نفس اختبارات الدم. وهذا يشير إلى أن حتى أفضل الأدوات الحالية تترك الكثير من المعلومات القيمة خلفها لأنها مدربة على الهدف الخاطئ.
لماذا يمكن أن تكون الأرقام مخادعة
حلت الدراسة أيضاً لغزاً حول سبب ادعاء بعض الأوراق البحثية السابقة بأن نماذج تخمين العمر الخاصة بها دقيقة للغاية (بدرجات تصل إلى 0.78)، بينما كان أفضل نموذج في هذه الدراسة هو 0.557 فقط. الإجابة لم تكن أن الذكاء الاصطناعي الجديد أضعف؛ بل كانت تتعلق بالمجموعة التي يتم اختبارها.
وجد الباحثون أن دقة تخمين العمر تعتمد بشدة على النطاق العمري للمجموعة. إذا قمت بتضمين المراهقين، الذين تتغير أجسامهم بسرعة، فسيصبح الحاسوب أفضل بكثير في تخمين العمر لأن التغيرات في الدم تكون دراماتيكية. أما إذا نظرت فقط إلى البالغين بين سن 20 و79 عاماً، فإن التغيرات تكون أبطأ ويصعب رصدها. أظهرت الدراسة أن "درجة الدقة" هي في الغالب انعكاس لمدى اتساع النطاق العمري في المجموعة، وليس لمدى جودة الحاسوب. وهذا يعني أنه لا يمكنك مجرد مقارنة درجات الدقة في الدراسات المختلفة لمعرفة أي "ساعة" هي الأفضل؛ بل يجب أن تنظر إلى ما تحاول التنبؤ به فعلياً.
الخلاصة
الدرس المستفاد الرئيسي من هذه الورقة هو درس في التركيز. إذا كنت تريد بناء أداة للتنبؤ بمن قد يموت في وقت أقرب، فلا تدرب الحاسوب على تخمين عمرهم على أمل أن تخبرك "الأخطاء" بشيء ما. هذا النهج يتخلص من معظم المعلومات المفيدة. بدلاً من ذلك، درب الحاسوب مباشرة على النتيجة التي تهتم بها: الموت. تخلصت الورقة من فكرة أن العائق ليس في اختبارات الدم أو تقنية الذكاء الاصطناعي؛ بل في الهدف الذي نضعه للذكاء الاصطناعي. من خلال مطاردة الهدف الخاطئ (العمر الزمني)، فات المجال في هذا التخصص التقاط أقوى الإشارات للتنبؤ بالوفاة التي تختبي هناك، في الدم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.