Comparing Ordered Logistic Regression and Random Forest for Predicting Lacosamide Trough Concentration Tiers in a Real-World Cohort: A Methodological Cautionary Study

في عالم الطب، تعمل بعض الأدوية مثل مفتاح دقيق يناسب قفلاً معيناً، بينما تتصرف أدوية أخرى مثل الماء المصبوب في دلو به ثقب يتغير حجمه من شخص لآخر. "لاكوساميد" (Lacosamide) هو أحد تلك الأدوية التي تتباين بشدة من مريض لآخر. وهو دواء يُستخدم للسيطرة على النوبات الصرعية، ويعتمد الأطباء في استخدامه على عملية تسمى "مراقبة مستوى الدواء العلاجي" للتأكد من أن كمية الدواء في دم المريض هي الكمية المثالية تماماً. فإذا كان المستوى منخفضاً جداً، قد تعود النوبات؛ وإذا كان مرتفعاً جداً، قد يعاني المريض من آثار جانبية. التحدي يكمن في أن نفس الجرعة لا تنتج نفس مستوى الدم لدى أشخاص مختلفين؛ فالعوامل مثل العمر، ووزن الجسم، وما إذا كان المريض يتناول أدوية أخرى، يمكن أن تغير جميعها هذا التوازن. لسنوات، أمل الأطباء أنه من خلال تغذية هذه الحقائق المعروفة في جهاز كمبيوتر، يمكنهم التنبؤ بدقة بمكان سقوط مستوى دواء المريض، مما يسمح بجرعات مثالية وشخصية منذ البداية.

قرر فريق من الباحثين في كلية الطب بجامعة تشيجيانغ اختبار هذا الأمل من خلال تجربة واقعية واسعة النطاق. فقد جمعوا بيانات من ما يقرب من ألف مريض، تتراوح أعمارهم من الأطفال الصغار إلى كبار السن، ممن تم فحص مستويات "اللاكوساميد" لديهم في مستشفى واحد. أراد الباحثون معرفة ما إذا كان بإمكانهم استخدام نوعين مختلفين من الأدوات الرياضية لتصنيف هؤلاء المرضى إلى ثلاث مجموعات: أولئك الذين لديهم مستويات دواء منخفضة، وأولئك الذين لديهم مستويات في النطاق العلاجي الآمن، وأولئك الذين لديهم مستويات مرتفعة جداً. كانت إحدى الأدوات عبارة عن طريقة إحصائية تقليدية تُعرف باسم "الانحدار اللوجستي المرتب"، والتي تبحث عن علاقات خطية مباشرة بين العوامل ومستويات الدواء. أما الأداة الأخرى فكانت تقنية تعلم آلي تُسمى "الغابة العشوائية" (Random Forest)، وهي نظام أكثر تعقيداً يحاول إيجاد أنماط وروابط خفية قد تفوتها الرياضيات البسيطة. وكان الهدف هو معرفة ما إذا كان أي من الأداتين يستطيع تخمين فئة دواء المريض بدقة بناءً على اختبار دم واحد وقائمة من التفاصيل الروتينية مثل وزنهم والأدوية الأخرى التي يتناولونها.

قام الباحثون بتغذية أنظمة الكمبيوتر بمجموعة محددة من المعلومات لكل مريض: عمرهم، وجنسهم، ووزن جسمهم، وجرعة "اللاكوساميد" التي يتناولونها والمعدلة حسب وزنهم، وما إذا كانوا يتناولون أدوية صرع أخرى معروفة بأنها تسرع معالجة الجسم للأدوية، وعدد أدوية الصرع الأخرى التي يتناولونها في نفس الوقت. وقد حددوا "الأدوية الأخرى" بدقة شديدة، حيث بحثوا فقط في الوصفات الطبية التي تم صرفها خلال أسبوع واحد من فحص الدم لضمان تطابق التوقيت. ثم قاموا بتقسيم بياناتهم، باستخدام معظمها لتعليم النماذج والجزء المتبقي لاختبار مدى أداء النماذج على مرضى لم يسبق لها رؤيتهم من قبل. كانت النتائج واضية ومخيبة للآمال نوعاً ما لأولئك الذين كانوا يأملون في حل حسابي سريع. فلم يتمكن النموذج الإحصائي التقليدي ولا نظام التعلم الآلي المتقدم من التنبؤ بمستويات الدواء بدقة مفيدة؛ حيث كان أداء النماذج أفضل قليلاً من التخمين العشوائي فقط. وبينما تفوق نموذج التعلم الآلي على النموذج التقليدي بفارق ضئيل، إلا أن كلاهما فشل في الوصول إلى مستوى الموثوقية المطلوب لتوجيه القرارات السريرية.

وعلى الرغم من فشل التنبؤ بالمستويات الفردية، إلا أن الدراسة كشفت عن إشارة واحدة محددة وموثوقة للغاية. فقد وجد الباحثون أنه عندما يتناول المريض أدوية صرع معينة تسرع عملية التمثيل الغذائي للدواء، فإن مستويات "اللاكوساميد" لديهم تنخفض بشكل ملحوظ. كان هذا التأثير قوياً بما يكفي ليتم اكتشافه حتى عندما عانت النماذج مع كل شيء آخر. أظهرت البيانات أن المرضى الذين يتناولون هذه الأدوية المتفاعلة لديهم نصف احتمالات امتلاك مستوى دواء مرتفع مقارنة بمن لا يتناولونها. وقد أكد هذا حقيقة بيولوجية معروفة: وهي أن هذه الأدوية المحددة تعمل كمسرع كيميائي، حيث تقوم بتطهير "اللاكوساميد" من الجسم بشكل أسرع. ومع ذلك، لم يكن هذا العامل المنفرد كافياً لجعل التنبؤ الإجمالي ناجحاً؛ إذ لم تستطع النماذج تفسير القدر الهائل من التباين الآخر الموجود بين البشر.

تشير الدراسة إلى أن المشكلة ليست في نوع الرياضيات المستخدمة، بل في طبيعة البيانات نفسها. ففحص دم واحد، مهما كانت التفاصيل الملحقة به، لا يحتوي على معلومات كافية للتنبؤ بمكان استقرار مستوى دواء المريض. وأشار الباحثون إلى أن العوامل التي لم يتمكنوا من قياسها، مثل ما إذا كان المريض يتناول دواءه بالفعل كما هو موصوف، أو الاختلافات الجينية في كيفية معالجة الكبد للأدوية، تلعب على الأرجح دوراً كبيراً. لم يجد نموذج التعلم الآلي أي أنماط سرية فاتته في النموذج الأبسط؛ فقد اتفق كلاهما على أن العمر والجرعة المعدلة حسب الوزن هما أهم العوامل، ومع ذلك لم يكن هذان العاملان كافيين. كما أكدت الدراسة أن العلاقة بين العمر ومستويات الدواء ليست هي نفسها للجميع، حيث يظهر الأطفال ارتباطاً أوثق بين الجرعة التي يتلقونها والمستوى الذي يحققونه مقارنة بالبالغين، الذين لديهم نتائج أكثر عدم قابلية للتنبؤ.

في نهاية المطوج، تعمل هذه الدراسة كقصة تحذيرية لمجال الطب الشخصي. فهي تثبت أنه بينما نمتلك أدوات قوية لتحليل البيانات، لا يمكننا بعد التنبؤ بالنتائج البيولوجية المعقدة من خلال لقطة واحدة في الزمن. إن فكرة أن خوارزمية كمبيوتر يمكنها إخبار الطبيب فوراً بالجرعة المثالية بناءً على فحص دم روتيني وبعض الحقائق الأساسية هي فكرة لا تدعمها هذه الأدلة. بدلاً من ذلك، تعزز النتائج الحاجة إلى اعتماد الأطباء على الملاحظة الدقيقة بمرور الوقت، ومراقبة كيفية تغير مستويات المريض من خلال الاختبارات المتكررة. القاعدة الواضية الوحيدة التي ظهرت هي أنه إذا كان المريض يتناول أدوية متفاعلة محددة، فمن المرجح أن تكون مستوياته منخفضة، ويجب أخذ ذلك في الاعتبار يدوياً. أما بالنسبة لما تبقى، فإن الطريق نحو جرعات فردية حقيقية يتطلب أكثر من مجرد برمجيات أفضل؛ إنه يتطلب نظرة أعمق لتاريخ المريض، وجيناته، ومدى التزامه بخطة العلاج، وهي أمور تُجمع عبر فترة زمنية طويلة وليس في لحظة واحدة.