Integrating Inflammation-Nutrition Markers and Machine Learning for Prognostic Stratification in Advanced Gastric Cancer: A Multicenter Cohort Study

لا يزال سرطان المعدة، والذي يُطلق عليه غالباً سرطان المعدة، يمثل أحد أكثر التحديات الصحية جسامة في جميع أنحاء العالم. إنه مرض غالباً ما يتقدم بصمت، وبحلول الوقت الذي يتم تشخيصه فيه في مراحله المتأخرة، تكون النظرة المستقبلية غالباً قاتمة. وبينما قدم الطب الحديث علاجات قوية جديدة، مثل الأدوية التي تستهدف بروتينات معينة في الخلاń السرطانية أو العلاجات التي تساعد الجهاز المناعي للجسم على محاربة الورم، فإن هذه الأدوات لا تعمل بنفس الكفاءة لدى الجميع. فبعض المرضى يستجيبون بشكل دراماتيكي، بينما لا يرى آخرون فائدة تذكر. وهذا عدم القدرة على التنبؤ يجعل من الصعب على الأطباء معرفة المسار الذي يجب اتخاذه لشخص بعينه. وللتنقل عبر هذا اليقين، بحث الباحثون طويلاً عن أدلة في الدم والحالة العامة للجسم؛ فهم يعلمون أنه عندما يحارب الجسم ورماً ما، فإنه غالباً ما يحفز التهاباً مزمناً منخفض المستوى، ويمكن أن يستنزف الاحتياطيات الغذائية للجسم. وتترك هذه التغيرات الجسدية أثراً في اختبارات الدم الروتينية، مما يوفر نافذة على كيفية سلوك المرض وكيف يمكن للمريض أن ينجو منه.

في دراسة حديثة متعددة المراكز، وضع فريق من الباحثين هدفاً لتحويل هذه الأدلة المتناثرة إلى خريطة واضحة للمستقبل. فقد ركزوا على ما يقرب من 800 مريض يعانون من سرطان معدة متقدم أو سرطان في نقطة التقاء المعدة بالمريء. وبدلاً من الاعتماد على اختبار واحد أو معادلة بسيطة، جمع الفريق كمية هائلة من المعلومات، بما في ذلك تعداد الدم القياسي، ومستويات بروتينات معينة تشير إلى الالتهاب، والمؤشرات الغذائية، وتفاصيل حول علاجات المرضى ومدى فعالية تلك العلاجات. ثم استخدموا نوعاً متطوراً من التعلم الحاسوبي، يُعرف باسم "تعلم الآلة"، لغربلة هذه البيانات. وبخلاف الطرق التقليدية التي تبحث عن روابط خطية مستقيمة، يسمح هذا النهج للحاسوب بإيجاد أنماط وعلاقات معقدة وخفية بين عشرات العوامل المختلفة في وقت واحد. وكان الهدف هو بناء أداة يمكنها التنبؤ بدقة بمدة بقاء المريض على قيد الحياة ومدة بقائه خالياً من تقدم المرض، مما يساعد في تصنيف المرضى إلى مجموعات ذات مخاطر متميزة.

بدأ الباحثون بجمع البيانات من ثلاثة مراكز طبية مختلفة في الصين، لضمان أن نتائجهم لم تكن مجرد صدفة ناتجة عن مستشفى معين. وقاموا بتقسيم المرضى إلى مجموعات: مجموعة كبيرة لتعليم الحاسوب ما يجب أن يبحث عنه، ومجموعات أصغر لاختبار قدرة الحاسوب على تطبيق ما تعلمه على مرضى جدد لم يسبق رؤيتهم. حلل الحاسوب مجموعة واسعة من المتغيرات، من عدد خلايا الدم البيضاء إلى وجود علامات سرطانية محددة في الدم. وبعد عملية تصفية صارمة، حدد النظام ثمانية عوامل رئيسية كانت الأكثر أهمية. وشملت هذه العوامل تعداد خلايا الدم البيضاء، وبروتيناً يسمى "لاكتات ديهايدروجيناز"، وعلامة ورمية محددة تُعرف باسم "CA724"، ودرجة تعكس الحالة الغذائية للجسم، ونسبة الصفائح الدموية إلى اللمفاويات، وما إذا كان المريض قد خضع للجراحة، وما إذا كان قد تلقى علاجاً مناعياً، ومدى فعالية العلاج الأولي.

وعندما اختبر الفريق النموذج الحاسوبي المبني حول هذه العوامل الثمانية، أظهر أداءً ثابتاً بشكل ملحوظ. فقد تمكن النموذج، الذي استخدم خوارزمية قوية تسمى "XGBoost"، من التنبؤ بنتائج البقاء على قيد الحياة بمستوى من الدقة صمد أمام مجموعات مختلفة من المرضى. وقد نجح في التمييز بين أولئك الذين من المرجح أن يعيشوا لفترة أطول وأولئك الذين يواجهون طريقاً أكثر صعوبة. ولم يعطِ الحاسوب مجرد رقم واحد؛ بل تعلم كيف يزن أهمية كل عامل بشكل مختلف اعتماداً على الموقف. فعلى سبيل المثال، كشف النموذج أن فعالية العلاج كانت العامل الأقوى بمفرده في حماية حياة المريض. فعندما يعمل العلاج بشكل جيد، فإنه يعمل كدرع قوي، مما يقلل بشكل كبير من خطر الوفاة أو تقدم المرض، حتى لو وجدت عوامل خطر أخرى. وعلى العكس من ذلك، تم تحديد المستويات العالية من الالتهاب أو الحالة الغذائية السيئة كدوافع قوية للمخاطر، مما يدفع بالنتيجة المتوقعة نحو الاتجاه السلبي.

ولتفسير هذا التعقيد، استخدم الباحثون الحاسوب لتجميع المرضى في نوعين فرعيين متميزين بناءً على ملفاتهم البيولوجية. تميزت المجموعة الأولى، التي أطلقوا عليها "النمط الفرعي 1"، بمستويات أقل من الالتهاب وحالة غذائية أفضل، وقد أظهر هؤلاء المرضى باستمرار معدلات بقاء أفضل. أما المجموعة الأخرى، "النمط الفرعي 2"، فقد أظهرت مستويات عالية من الالتهاب وتغذية سيئة، وواجهت نتائج أسوأ بكثير. لم يكن هذا التقسيم عشوائياً، بل كان فصلاً واضحاً وجده في البيانات، مما يشير إلى أن البيئة الداخلية للجسم تلعب دوراً حاسماً في كيفية سلوك السرطان. وقد قام الباحثون بتصور هذه الاختلافات باستخدام مخططات أظهرت كيف تباينت العوامل الثمة ثمانية بين المجموعتين، مما جعل المشهد البيولوجي غير المرئي مرئياً ومفهوماً.

كما استكشفت الدراسة كيفية تفاعل هذه العوامل مع بعضها البعض. أظهر التحليل الحاسوبي أن العلاقة بين هذه المؤشرات والبقاء على قيد الحياة لم تكن بسيطة أو خطية. فعلى سبيل المثال، لم يكن تأثير علامة ورمية عالية هو نفسه للجميع؛ إذ يمكن تعزيز خطورتها من خلال الالتهاب المرتفع أو تقليلها من خلال العلاج الفعال. يسلط هذا الاكتشاف الضوء على أن استجابة الجسم للسرطان هي شبكة معقدة حيث تؤثر التغذية والمناعة والعلاج في بعضها البعض. ومن خلال فهم هذه التفاعلات، يمكن للأطباء مستقبلاً تخصيص العلاجات بدقة أكبر، والتركيز على تقليل الالتهاب أو تحسين التغذية لأولئك الذين هم في أمس الحاجة إليها، بدلاً من تطبيق نهج واحد يناسب الجميع.

ورغم أن النتائج واعدة، إلا أن الباحثين يشددون على أن هذا العمل هو خطوة للأمام وليس وجهة نهائية. فقد بُني النموذج على بيانات لمرضى تلقوا العلاج بالفعل، وكانت الدراسة استعادية، مما يعني أن الباحثين نظروا في السجلات بدلاً من متابعة المرضى بمرور الوقت. وهذا يعني أنه بينما تُظهر الأداة إمكانات كبيرة لمساعدة الأطباء في تصنيف المخاطر وتخصيص الرعاية، فإنها لا تزال بحاجة إلى الاختبار في دراسات مستقبلية استباقية لتأكيد موثوقيتها في الإعدادات السريرية الواقعية. كما يخطط الفريق لتوسيع عملهم من خلال تضمين المزيد من المرضى وإضافة أنواع أحدث من البيانات البيولوجية، مثل الطفرات الجينية، لتدقيق تنبؤاتهم بشكل أكبر.

في نهاية المطاف، يقدم هذا البحث طريقة جديدة للنظر إلى سرطان المعدة المتقدم. فهو يتجاوز الورم نفسه لينظر في حالة الجسم بأكمله، مستخدماً الإشارات الهادئة في اختبار دم روتيني ليروي قصة مستقبل المريض. ومن خلال الجمع بين هذه الأدلة البيولوجية والتحليل الحاسوبي المتقدم، توفر الدراسة صورة أكثر وضوحاً وتفصيلاً لمن هم عرضة للخطر ولمن قد يزدهرون. وهي تشير إلى أن الطريق نحو نتائج أفضل قد لا يكمن فقط في الأدوية الأقوى، بل في فهم أعمق للمشهد البيولوجي الفريد لكل مريض، مما يسمح بنهج أكثر تفكيراً وفعالية في محاربة هذا المرض الصعب.