A Calibrated Glycaemic-Blind Machine-Learning Model for Opportunistic Prediabetes Screening in UK Biobank
تقدم هذه الدراسة نموذج تعلم آلي من نوع (LightGBM) مُعاير وغير معتمد على قياسات السكر، تم تدريبه باستخدام بيانات "UK Biobank"، والذي يحدد بفعالية الأفراد المعرضين لخطر الإصابة بمرحلة ما قبل السكري دون استخدام مؤشرات حيوية مباشرة للجلوكوز، محققاً حساسية عالية للفحص الانتهازي مع تسليط الضوء على الحاجة إلى مزيد من تقييم العدالة قبل التنفيذ السريري.
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
بالنسبة لملايين الأشخاص، لا يبدأ الطريق نحو مرض السكري من النوع الثاني بأزمة مفاجئة، بل بمرحلة وسيطة هادئة تسمى "ما قبل السكري". في هذه الحالة، تكون مستويات السكر في الدم أعلى من الطبيعي ولكنها ليست مرتفعة بما يكفي لتشخيصها كمرض سكري كامل. إنها نافذة حرجة للفرص؛ إذ يتيح اكتشافها مبكراً للأفراد تغيير عاداتهم ومنع المرض من التمكن منهم. ومع ذلك، فإن العثور على هذه الحالات الخفية أمر صعب. تتضمن الطريقة القياسية للفحص عن مرحلة ما قبل السكري سحب عينة دم لقياس مؤشرات محددة مرتبطة بالسكر، مثل بروتين يسمى الهيموجلوبين السكري (HbA1c). ورغم دقة هذه الاختبارات، إلا أنها مكلفة، وتتطلب زيارة للعيادة، ولا يمكن إجراؤها للجميع في وقت واحد دون إثقال كاهل أنظمة الرعاية الصحية. علاوة على ذلك، فإن هذه الاختبارات نفسها قد تختلف نتائجها أحياناً، مما يترك الأطباء في حيرة بشأن من يحتاج حقاً إلى رعاية متابعة. وهذا يخلق معضلة: كيف تجد الأشخاص الذين يحتاجون إلى المساعدة بكفاءة دون اختبار الجميع؟
لقد تصدى فريق من الباحثين لهذه المشكلة عبر بناء نوع جديد من الأدوات الرقمية المصممة لتعمل كـ "مرشح" قبل سحب أي عينة دم. وبدلاً من البحث في مستويات السكر مباشرة، وهو أمر سيكون غير صالح في سياق الفحص، قاموا بتدريب برنامج حاسوبي لرصد أنماط في مجموعة متنوعة من البيانات الصحية الأخرى التي يمتلكها الناس بالفعل في ملفاتهم. تشمل هذه البيانات أشياء مثل العمر، وقياسات الجسم، وضغط الدم، والعادات المعيشية مثل التدخين وشرب الكحول، وحتى العلامات الجينية. استخدم الباحثون معلومات من "المستودع الحيوي البريطاني" (UK Biobank)، وهو قاعدة بيانات ضخمة تحتوي على سجلات صحية لأكثر من نصف مليون متطوع في المملكة المتحدة. وقد ركزوا على مجموعة محددة تضم ما يقرب من 120,000 بالغ لم يكن مصاباً بالسكري في بداية الدراسة. كان الهدف هو معرفة ما إذا كان نموذج تعلم الآلة قادراً على تحديد من يُحتمل إصابتهم بما قبل السكري بناءً فقط على هذه القرائن غير المتعلقة بالسكر، مما يؤدي فعلياً إلى فرز المرضى بحيث يحتاج فقط أولئ ever في خطر عالٍ إلى اختبار الدم التأكيدي.
واجه الباحثون تحدياً كبيراً: كان عليهم ضمان عدم قيام الحاسوب بمجرد "حفظ الإجابة". فإذا سُمح للنموذج برؤية أرقام السكر في الدم التي يُفترض به التنبؤ بها، فسيحقق درجات تقترب من المثالية ولكنه سيكون عديم الفائدة في العالم الحقيقي، حيث تكون تلك الأرقام هي تحديداً ما يفتقر إليه النموذج. ولمنع حدوث ذلك، قاموا بإزالة جميع القياسات المرتبطة بالسكر مباشرة وأي سمات قد تكشف عنها بشكل غير مباشر. ثم قاموا بتدريب النموذج على بيانات متطوعين تم استقطابهم بين عامي 2006 و2008، واختبروا منطقه على بيانات من عام 2009، ثم احتفظوا ببيانات عام 2010 كاختبار نهائي غير مرئي تماماً لمعرفة مدى أداء النموذج في العالم الحقيقي. وقارنوا نظامهم الجديد بنماذج المخاطر القديمة والأبسط التي تعتمد على أسئلة أساسية حول الوزن والتاريخ العائلي، وكذلك بنموذج "مثالي" نظري سُمح له باستخدام مستويات السكر.
أظهرت النتائج أن النهج الجديد فعال، وإن لم يكن حلاً سحرياً. فعند اختباره على مجموعة عام 2010 غير المرئية، نجح النموذج في التمييز بين المصابين وما قبل السكري وغير المصابين به بشكل أفضل من الاستبيانات الأقدم والأبسط. وقد حقق درجة قدرها 0.702 على مقياس حيث تمثل الدرجة 1.0 المثالية و0.5 حالة لا تزيد عن التخمين. ورغم أن هذا المستوى من الدقة يعتبر متوسطاً، إلا أنه مهم لأنه تحقق دون النظر إلى قراءة واحدة للسكر في الدم. وقد وجد النموذج أن عوامل مثل الخطر الجيني، والتاريخ الدوائي، والعمر، ومؤشر كتلة الجسم، وعلامات محددة في الكبد والكلى كانت أقوى القرائن. وفي الواقع، وجد النموذج أن الخطر الجيني للإصابة بالسكري هو العامل الأكثر تأثيراً بمفرده، يليه عن قرب الأدوية التي يتناولها الشخص وعمره.
ولجعل الأداة مفيدة للأطباء، وضع الباحثون قاعدة محددة لكيفية سلوك النموذج. فقد قرروا أن يكون النظام شديد الحساسية، بمعنى أنه يجب أن يكتشف أكبر عدد ممكن من الحالات الحقيقية، حتى لو أدى ذلك إلى تصنيف بعض الأصحاء كمرضى أيضاً. وعند ضبط الإعداد على هذه الحساسية العالية، حقق النموذج مساحة تحت المنحنى (AUC) بلغت 0.922. ومع ذلك، جاءت هذه النسبة العالية في الكشف بتكلفة: فقد أحال النموذج أيضاً 76% من جميع الأصحاء لإجراء المزيد من الاختبارات. ومن الناحية العملية، مقابل كل حالة واحدة من حالات ما قبل السكري يجدها النموذج بنجاح، فإنه يرسل حوالي ستة أشخاص إلى المختبر لإجراء اختبار دم تأكيدي. هذا المقايضة مقصودة؛ ففي برنامج الفحص، غالباً ما يكون من الأفضل اختبار بضعة أشخاص إضافيين من الأصحاء بدلاً من تفويت شخص يحتاج إلى العلاج. كما تحقق الباحثون مما إذا كان النموذج يعامل المجموعات المختلفة بإنصاف؛ ووجدوا أنه بينما عمل النموذج بشكل متشابه للرجال والنساء، فقد اختلف سلوكه بالنسبة للأشخاص من مختلف الأعمار والخلفيات العرقية. فعلى سبيل المثال، كان النموذج أقل دقة للشباب، وأنتج المزيد من الإنذارات الكاذبة للأشخاص من أصول آسيوية وسوداء مقارنة بالمشاركين البيض، مما يسلط الض الضوء على أن القاعدة الواحدة لا تناسب كل مجموعة بشكل مثالي.
تخلص الدراسة إلى أن هذا النموذج "الأعمى عن السكر" والمعاير يعد خطوة أولى قابلة للتطبيق في عملية فحص مكونة من مرحلتين. إذ يمكنه مسح السكان بفعالية باستخدام البيانات المتوفرة غالباً في السجلات الصحية الإلكترونية، مثل فحوصات الدم الروتينية والاستبيانات المعيشية، لتحديد الأولويات لمن يحتاج إلى اختبارات السكر الأكثر تخصصاً وتكلفة. ويؤكد الباحثون أن هذه الأداة ليست تشخيصاً، بل هي نظام فرز (ترياج)؛ فهي لا تحل محل الحاجة إلى اختبار الدم، لكنها توفر وسيلة لجعل تلك الاختبارات أكثر جدوى من خلال تركيزها على الأشخاص الأكثر عرضة للاستفادة منها. كما يشير عملهم إلى أن اعتماد النموذج الكبير على البيانات الجينية، والتي ليست روتينية بعد في معظم عيادات الأطباء، يمثل قيداً على استخدامه الواسع النطاق الفوري. وستحتاج النسخ المستقبلية إلى الاختبار في مجموعات سكانية مختلفة، وربما التكيف للعمل بدون معلومات جينية لتكون جاهزة حقاً للممارسة السريرية اليومية. في الوقت الحالي، تثبت الدراسة أنه مع التصميم الدقيق، يمكن للحواسيب أن تتعلم رصد العلامات المبكرة للاضطرابات الأيضية باستخدام التفاصيل اليومية لحياتنا، مما يوفر طريقة جديدة للإمساك بحالة صامتة قبل أن تتحول إلى مرض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.