في عالم الطب الحديث، غالبًا ما يعتمد الأطباء وأنظمة الكمبيوتر على افتراض بسيط: إذا بدا مريضان متشابهين الآن، فمن المرجح أن يسلكا المسار نفسه في المستقبل. إذا كان لشخصين ضغط الدم نفسه، وحجم الورم نفسه، والأعراض نفسها، فإن التوقع هو أنهما سيستجيبان للعلاج بشكل مماثل أو أن أمراضهما ستتطور بنفس المعدل. هذا الاعتقاد يرتكز عليه الكثير من كيفية توقع النتائج الصحية وتصميم خطط الرعاية الشخصية. ومع ذلك، فإن هذا الافتراض يستند إلى فكرة أن المعلومات التي يمكننا رؤيتها وقياسها في لحظة واحدة كافية لإخبار القصة الكاملة لصحة الإنسان في المستقبل. إنه يفترض أن اللقطة الحالية تحتوي على جميع القرائن الضرورية للتنبؤ بما سيحدث لاحقًا. ولكن ماذا لو كانت هذه اللقطة غير مكتملة؟ ماذا لو كان شخصان يقفان في نفس النقطة تمامًا على الخريطة، لكنهما في الواقع يسيران نحو وجهات مختلفة تمامًا، ليس لأنهما تائهان، بل لأن الخريطة نفسها تفتقر إلى التضاريس التي تفصل بين مساراتهما؟

هذا هو السؤال المركزي الذي تستكشفه دراسة جديدة أجراها موريس أنتوني يوينج، الباحث في جامعة إلينوي في شيكاغو. يتحدى هذا العمل الفكرة القائلة بأن نماذج الكمبيوتر الأفضل أو الخوارزميات الأكثر تعقيدًا يمكن أن تحل مشكلة التنبؤ بالنتائج الصحية للمرضى. بدلاً من ذلك، تشير الدراسة إلى أن المشكلة لا تكمن في الأدوات التي نستخدمها لتحليل البيانات، بل في البيانات نفسها. فقد بحث الباحثون فيما إذا كانت المعلومات المتاحة في اللحظة التي يتخذ فيها الطبيب قرارًا كافية بالفعل للتمييز بين المستقبلات المختلفة الممكنة. ووجدوا أنه بالنسبة لعدد هائل من المرضى، فإن الإجابة هي "لا". يمكن لشخصين أن يبدوا متطابقين بناءً على كل القياسات التي يمكن للطبيب اتخاذها، ومع ذلك قد يتحسن أحدهما بينما تسوء حالة الآخر. وتجادل الدراسة بأن هذا ليس فشلًا في تقنيات التنبؤ، بل هو حد أساسي للمعلومات المتاحة.

لفهم هذا، تخيل مريضين يعانيان من مرض معين. في اللحظة التي يفحص فيها الطبيب كل منهما، تكون علاماتهما الحيوية، ونتائج المختبر، وصور الأشعة لديهما متطابقة تقريبًا. سينظر نموذج التنبؤ القياسي إلى هذه الأرقام ويخصص لهما نفس النتيجة المحتملة. ولكن في الواقع، قد يتعافى مريض بسرعة بينما تتدهور حالة الآخر. تسأل الدراسة: لماذا يحدث هذا؟ هل لأن نموذج الكمبيوتر ليس ذكيًا بما يكفي لإيجاد نمط خفي؟ أم لأن النمط ببساه لا وجود له في الأرقام التي يمتلكها الطبيب؟ يطلق الباحثون على هذه الظاهرة اسم "عدم القابلية للتمييز" (non-identifiability). وهذا يعني أن الحالة الحالية للمريض لا تحتوي على معلومات فريدة كافية لتحديد المسار المستقبلي الذي ينتمي إليه. المستقبل ليس مجرد أمر غير مؤكد؛ بل هو غير قابل للتمييز بشكل جوهري من الملاحظات الحالية وحدها.

ولاختبار ذلك، جمع الباحثون كمية هائلة من البيانات الطبية من العالم الحقيقي. نظروا في 13 مجموعة بيانات سريرية بشرية مختلفة، تغطي مجموعة واسعة من الحالات بما في ذلك الأمراض التنكسية العصبية مثل الزهايمر، وسيناريوهات الرعاية الحرجة، والسرطان، وأمراض القلب. وفي المجمل، فحصوا ما يقرب من 700,000 ملاحظة صحية فردية سُجلت بمرور الوقت. وركزوا على خمس مجموعات كبيرة من المرضى الذين تم تتبعهم لفترة طويلة، وتضم أكثر من 56,000 فرد وأكثر من 400,000 لحظة محددة في رحلاتهم الصحية. وبالنسبة لكل لحظة في تاريخ المريض، طرح الباحثون سؤالاً بسيطًا: إذا وجدنا مرضى آخرين يشبهون هذا الشخص تمامًا في هذه اللحظة المحددة، فهل سيسلكون جميعًا المستقبل نفسه؟

كانت النتائج مذهلة. ففي المجموعات الخمس الرئيسية التي تمت دراستها، وجد الباحثون أنه في كل حالة تقريبًا، كان المرضى الذين يبدون متشابهين في لحظة معينة يسلكون مستقبليات مختلفة تمامًا. وتحديدًا، كانت نسبة تتراوح بين 65% و99% من حالات المرضى التي فحصوها "غير قابلة للتمييز". وهذا يعني أنه بالنسبة للغالبية العظمى من هذه اللحظات، لم تكن المعلومات المتاحة تميز بين مستقبل التحسن ومستقبل التدهور. وفي بعض المجموعات، مثل المصابين بمرض باركنسون أو التصلب الجانبي الضموري، وصلت النسبة إلى 9SR.7%. والأكثر دلالة من ذلك، أن الباحثين بحثوا عن الحالات التي سلك فيها المرضى ذوو الحالات المتشابهة اتجاهات متعاكسة — أحدهم يتحسن والآخر تسوء حالته. ووجدوا أنه في الفترة ما بين 59% و82% من هذه المجموعات المتطابقة، كانت تحدث نتائج إيجابية وسلبية معًا. وهذا يثبت أن الغموض لا يتعلق فقط بما إذا كان المريض سيبقى كما هو أو سيتغير؛ بل يتعلق بحقيقة أن المرضى المتشابهين يتحركون فعليًا في اتجاهات متضادة.

كما تناولت الدراسة حجة مضادة شائعة: ربما تكون البيانات موجودة، لكن نماذج الكمبيوتر ليست متطورة بما يكفي لإيجادها. ولتختبر ذلك، لم يعتمد الباحثون على نوع واحد من الذكاء الاصطناعي، بل استخدموا "حديقة حيوانات" (zoo) من النماذج المختلفة، بدءًا من الأدوات الإحصائية البسيطة وصولًا إلى أنظمة التعلم العميق المعقدة. واختبروا هذه النماذج عبر أنواع مختلفة من البيانات وسيناريوهات أمراض مختلفة. وكانت النتيجة ثابتة: مهما بلغ تطور النموذج، لم يستطع التنبؤ بالاتجاه المستقبلي لهؤلاء المرضى بشكل أفضل من غيره. وعندما فشلت النماذج، فشلت جميعها بنفس الطريقة. وهذا يشير إلى أن القصور ليس في بنية برنامج الكمبيوتر، بل في المعلومات التي يتم تغذيتها إليه. فالنموذج لا يمكنه ابتكار تميز غير موجود في البيانات؛ فإذا كانت الحالة المرصودة لا تحتوي على القرينة التي تفصل بين المريض المتعافي والمريض المتدهور، فلا يمكن لأي قدر من التعقيد الرياضي أن يخلق تلك القرينة.

كما بحث الباحثون فيما إذا كان إضافة المزيد من التاريخ الماضي سيحل المشكلة. ومن الناحية البديهية، قد يظن المرء أن معرفة مسار المريض السابق — كيف وصل إلى حالته الحالية — قد يساعد في التنبؤ بما سيحدث لاحقًا. وجدت الدراسة أنه على الرغم من أن التاريخ يساعد أحيانًا، إلا أنه غالبًا لا يفعل. ففي كثير من الحالات، كان التاريخ الكامل لحالة المريض متوافقًا مع مسارات متعددة ومتضاربة. قد يكون للمرضى مسارات مختلفة تمامًا للوصول إلى نفس النقطة، ومع ذلك تتباعد مساراتهم اللاحقة بطرق لم يتنبأ بها تاريخهم. وهذا يعني أن مجرد جمع المزيد من صفوف البيانات أو النظر إلى الوراء في الزمن لا يحل المشكلة تلقائيًا. المفتاح ليس في كمية الملاحظات، بل في ما إذا كانت تلك الملاحظات تحتوي على المعلومات المحددة اللازمة للفصل بين المسارات المستقبلية المختلفة الممكنة.

هذه النتيجة لها آثار عميقة على كيفية تعاملنا مع التنبؤ الطبي. لسنوات، كان التركيز في مجال الذكاء الاصطناعي الطبي على بناء نماذج أفضل، وإيجاد المزيد من البيانات، وتحسين الخوارزميات. تشير الدراسة إلى أن هذا النهج يصطدم بسقف صلب. فإذا كانت المعلومات المطلوبة للتمييز بين مريضين مفقودة من السجل السريري، فلن يتمكن أي نموذج من جسر هذه الفجوة. المشكلة ليست في أننا نطرح السؤال الخاطئ على البيانات، بل في أن البيانات نفسها غير كافية للإجابة على السؤال. ويؤكد الباحثون أن هذا ليس ادعاءً بأن المرضى غير قابلين للتنبؤ بهم بطريقة غيبية، بل إن المعلومات المحددة التي نختار قياسها وتسجيلها غالبًا ما تكون غير كافية لإخبار قصة مستقبلهم.

لا تدعي الدراسة ضرورة التوقف عن محاولة التنبؤ بالنتائج أو أننا لا نستطيع تحسين الرعاية، بل إنها تشير إلى مسار مختلف للمضي قدمًا. إذا كانت القياسات الحالية غير كافية، فإن الحل يكمن في البحث عن أنواع جديدة من المعلومات. قد يعني هذا قياس علامات بيولوجية مختلفة، أو استخدام أنواع مختلفة من التصوير، أو النظر في عوامل يتم تجاهلها حاليًا. قد يعني هذا أيضًا قبول حقيقة أنه بالنسبة لبعض المرضى، في بعض اللحظات، لا تسمح المعلومات المتاحة بإجراء تنبؤ دقيق، وأن أفضل مسار للعمل قد يكون جمع بيانات أكثر تحديدًا قبل اتخاذ القرار. وتخلص الدراسة إلى أنه قبل أن ننفق المزيد من الموارد في بناء نماذج أكثر ذكاءً، يجب علينا أولاً أن نتساءل عما إذا كانت المعلومات التي نمتلكها كافية بالفعل للتمييز بين المستقبلات التي نحاول التنبؤ بها.

في النهاية، تقدم هذه الدراسة واقعًا صادمًا ولكنه ضروري لمجال الطب الدقيق. فهي تظهر أن الفجوة بين ما يمكننا رؤيته وما سيحدث غالبًا ما تكون أوسع مما اعتقدنا. يمكن لمريضين أن يقفا جنبًا إلى جنب، ويبدوان متطابقين في كل شيء يمكن للطب الحديث قياسه، ومع ذلك يكونان على مسارين مختلفين تمامًا. إن الأدوات التي نستخدمها للتنبؤ بمستقبلهما ليست معطلة، بل هي ببساطة تعمل بخرائط غير مكتملة. ويتطلب المسار المستقبلي منا أن ننظر إلى ما وراء أحدث ما توصل إليه العلم في النمذجة، ونركز على السؤال الأساسي: ما هي المعلومات المطلوبة فعليًا لتمييز قصة مريض عن آخر؟ وحتى نجد تلك المعلومة المفقودة، ستظل حدود التنبؤ قائمة، ليس بسبب نقص في القدرة الحوسبية، بل بسبب نقص في التفاصيل المميزة في البيانات نفسها.