A Machine Learning-Based Framework for differential screening of Neurodegenerative Dementias using routine clinical data
تقدم هذه الدراسة إطار عمل للتعلم الآلي باستخدام البيانات السريرية الروتينية وخوارزمية CatBoost للتمييز بين خمسة أنواع رئيسية من الخرف التنكسي العصبي، محققةً دقة بنسبة 73.8% ومسلطةً الضوء على التسلسل الزمني للأعراض كمتنبئ تشخيصي رئيسي لدعم القرار السريري القابل للتوسع والخالي من المؤشرات الحيوية.
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
إن الدماغ البشري عبارة عن شبكة واسعة ومعقدة يمكن أن تبدأ أحياناً في التآكل بطرق مختلفة مع تقدمنا في السن. وعندما يؤدي هذا التآكل إلى تدهور في الذاكرة أو التفكير أو السلوك، يطلق الأطباء على ذلك اسم الاضطراب المعرفي العصبي. وهناك أنواع متميزة عديدة من هذه الحالات، مثل مرض الزهايمر، الذي يبدأ عادةً بفقدان الذاكرة، أو الخرف الجبهي الصدغي، الذي غالباً ما يبدأ بتغيرات في الشخصية. ويعد التمييز بين هذه الحالات أمراً حيوياً لأن كل نوع منها يتطلب استراتيجيات إدارة مختلفة، ومع ذلك فإن هذه العملية صعبة للغاية. فالتشخيص النهائي يعتمد غالباً على فحوصات تصوير الدماغ المكلفة أو اختبارات السائل الشوكي غير المتوفرة في كثير من أنحاء العالم. وفي غياب هذه الأدوات عالية التقنية، يجب على الأطباء الاعتماد على القصة التي يرويها المريض: ما هي الأعراض التي ظهرت أولاً، وكيف تغيرت بمرور الوقت، وكيف يبدو المريض خلال زيارة عادية للعيادة. لقد كان التحدي دائماً يتمثل في ما إذا كان بإمكان الطبيب تجميع هذه الرواية المعقدة بسرعة ودقة كافيتين للتمييز بين نوع من أنواع الخرف والآخر دون الاستعانة بآلات متطورة.
لقد سعى فريق من الباحثين في إيطاليا لمعرفة ما إذا كان بإمكان الكمبيوتر تعلم القيام بهذا العمل باستخدام المعلومات التي يتم جمعها فقط خلال الزيارة الأولى الروتينية. فقد بنوا أداة رقمية مصممة لتعمل بمثابة "عين ثانية" للأطباء، حيث تحلل الترتيب المحدد لظهور الأعراض والتفاصيل الأساسية لحياة المريض. جمع الباحثون بيانات من 932 مريضاً تم تشخيصهم بالفعل بأحد الأنواع الخمسة الرئيسية للخرف. ولكل شخص، سجلوا حقائق بسيطة مثل العمر والمستوى التعليمي، وملاحظات من الفحص العصبي، وجدولاً زمنياً مفصلاً لمتى بدأت مشاكل معينة — مثل فقدان الذاكرة، أو مشاكل اللغة، أو التغيرات السلوكية. ثم أدخلوا هذه المعلومات في نظام تعلم الآلة، وهو نوع من برامج الكمبيوتر التي تتعلم الأنماط من البيانات بدلاً من اتباع مجموعة ثابتة من القواعد. وكان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر النظر في هذا التاريخ السريري الخام وتحديد أي من الأمراض الخمسة يعاني منه المريض بشكل صحيح، دون أن يرى أبداً صورة أشعة للدماغ أو نتيجة مخبرية.
أثبت نموذج الكمبيوتر فعالية مدهشة في تصنيف المرضى إلى مجموعاتهم الصحيحة. فعند اختباره على مجموعة جديدة من المرضى لم يسبق له رؤيتها، حدد النظام النوع المحدد من الخرف في حوالي 74 بالمائة من الحالات. وقد كان أداؤه أفضل مع مرض الزهايمر، حيث شخص ما يقرب من 80 بالمائة من تلك الحالات بشكل صحيح، كما أظهر قدرة قوية على رصد خرف أجسام ليوي، وهو حالة غالباً ما تُخلط مع الزهايمر. وكان النظام بارعاً بشكل خاص في التعرف على الحُبسة التقدمية الأولية، وهي نوع نادر من الخرف يبدأ بصعوبات في اللغة، ويرجع ذلك أساساً إلى أن الكمبيوتر تعلم أن توقيت فقدان اللغة يعد دليلاً قوياً. ومع ذلك، واجهت الأداة أكبر صعوبة مع الخرف الوعائي، وهو نوع ناتج عن مشاكل في تدفق الدم إلى الدماغ؛ ففي هذه الحالات، كان الكمبيوتر يخلط غالباً بين هذه الحالة والزهايمر، مما يشير إلى أن قصة الأعراض وحدها، دون الدليل المرئي لتلف الأوعية الدموية من خلال الأشعة، تكون أحياناً غير كافية للتمييز بينهما.
وما جعل نجاح الكمبيوتر ممكناً هو قدرته على وزن أهمية الجدول الزمني. استخدم الباحثون طريقة "للنظر" داخل "دماغ" الكمبيوتر ورؤية قطع المعلومات التي يعتمد عليها أكثر من غيرها. ووجدوا أن العرض الأول الذي أبلغ عنه المريض كان الدليل الأكثر أهمية، يليه مباشرة عمر المريض والترتيب المحدد لظهور مشاكل اللغة. فعلى سبيل المثال، تعلم النظام أنه إذا كان العرض الأول للمريض هو تغير في الشخصية، فمن المرجح أن يكون ذلك خرفاً جبهياً صدغياً، بينما إذا جاء فقدان الذاكرة أولاً، فإنه يشير إلى الزهايمر. كما تعلم الكمبيوتر استخدام غياب بعض العلامات كدليل؛ فعلى سبيل المثال، إذا لم يكن لدى المريض مشاكل في الحركة، فقد ساعد ذلك في استبعاد أنواع معينة من الخرف التي تتضمن عادةً أعراضاً جسدية في وقت مبكر. هذا النهج يحاكي الطريقة التي يفكر بها الطبيب الخبير، حيث يعطي الأولوية لتسلسل الأحداث على مجرد قائمة بسيطة من الأعراض.
ولم يتوقف الباحثون عند بناء الخوارزمية؛ بل أنشأوا أيضاً واجهة ويب تفاعلية بسيطة لإظهار كيف يمكن لهذه الأداة أن تعمل في عيادة حقيقية. حيث يمكن للطبيب إدخال عمر المريض، ومستواه التعليمي، وترتيب ظهور الأعراض، وسيقدم النظام فوراً احتمالاً لكل حالة من الحالات الخمس. ومن الأهمية بمكان أن الأداة لم تكتفِ بإعطاء تخمين، بل شرحت منطقها من خلال تسليط الضوء على العوامل التي أدت إلى استنتاجها، مثل "البداية المبكرة لمشاكل اللغة تشير بقوة إلى هذا التشخيص". هذه الشفافية ضرورية للأدوات الطبية، مما يسمح للطبيب البشري بفهم المنطق وراء الاقتراح بدلاً من اتباع "صندوق أسود" بشكل أعمى. وأكد الباحثون أن هذا النظام هو حالياً نموذج أولي يهدف إلى المساعدة وليس استبدال حكم الطبيب، ولم يتم اختباره بعد في بيئة سريرية حقيقية مع مرضى حقيقيين.
وعلى الرغم من وعوده، تقر الدراسة بوجود عقبات كبيرة قبل أن يمكن استخدام هذه الأداة على نطاق واسع. فقد جاءت البيانات من مركز طبي واحد في إيطاليا، مما يعني أن الأنماط التي تعلمها الكمبيوتر قد تبدو مختلفة في بلدان أو أنظمة رعاية صحية أخرى. كما واجه النموذج صعوبة مع الخرف الوعائي، مما يسلط الضوء على أن بعض الحالات متشابهة جداً بحيث يصعب التمييز بينها دون تصوير متقدم. علاوة على ذلك، تم تدريب النظام على مجموعة بيانات كانت فيها بعض أنواع الخرف أكثر شيوعاً من غيرها، مما قد يؤدي إلى تحيز النتائج. ويؤكد المؤلفون أن هذا مجرد نقطة انطلاق، وهو إثبات لمفهوم يظهر قيمة الاهتمام الوثيق بالجدول الزمني للأعراض. وهم يجادلون بأن أداة كهذه، في العديد من المناطق التي لا تتوفر فيها صور الأشعة المتقدمة، يمكن أن تساعد الأطباء في إجراء تقييمات أولية أفضل، مما قد يقلل من الوقت المستغرق لتلقي المرضى الرعاية التي يحتاجون إليها. ويشير العمل إلى أن قصة المرض، التي تُروى من خلال تسلسل أعراضه، تحمل قوة تشخيصية بدأ التكنولوجيا الحديثة للتو في فتح آفاقها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.