A Dynamic Bayesian Network Model for Predicting Cardiovascular Disease Incidence in the Tehran Lipid and Glucose Study

لا تزال أمراض القلب هي السبب الرئيسي للوفاة في جميع أنحاء العالم، حيث تحصد ملايين الأرواح كل عام. وفي أجزاء كثيرة من العالم، تكون النوبة القلبية أو السكتة الدماغية هي الحدث الأخير في سلسلة طويلة من التغيرات البيولوجية التي تبدأ غالباً قبل عقود من وقوعها. وبالنسبة للأطباء ومسؤولي الصحة العامة، فإن أقوى أداة ضد هذه المأساة ليست مجرد علاج المرضى، بل التنبؤ بمن يُحتمل أن يمرضوا. وهذا يتطلب النظر في تاريخ الشخص — عمره، وتاريخ عائلته، وضغط دمه، ونمط حياته — ونسج هذه الحقائق المنفصلة في صورة واحدة للمخاطر. وغالباً ما تتعامل الطرق التقليدية للقيام بذلك مع كل معلومة كما لو كانت قائمة بذاتها، بافتراض أن مستوى السكر في دم الشخص اليوم ليس له علاقة بضغط دمه قبل خمس سنوات. ومع ذلك، فإن صحة الإنسان هي نهر متدفق، وليست مجرد سلسلة من اللقطات المعزولة. ويحاول نهج جديد باستخدام نوع من النماذج الحاسوبية يسمى "الشبكة البايزية الديناميكية" (Dynamic Bayesian Network) التقاط هذا التدفق، وتتبع كيفية تغير العوامل الصحية وكيف تؤثر على بعضها البعض للتنبؤ بحدوث أمراض القلب في المستقبل.

قام فريق من الباحثين في إيران بتطبيق تقنية النمذجة المتقدمة هذه على دراسة طويلة الأمد وضخمة لأشخاص يعيشون في طهران. أرادوا معرفة ما إذا كان النموذج الذي يفهم مرور الوقت يمكنه تحديد الأفراد المعرضين لمخاطر عالية بشكل أكثر فعالية من الطرق القياسية. استندت الدراسة إلى "دراسة طهران للدهون والجلوكوز"، وهي مشروع راسخ يتابع آلاف السكان منذ عام 1999 لفهم أسباب الأمراض غير المعدية. اختار الباحثون 7,839 بالغاً كانوا خالين من أمراض القلب عند بدء الدراسة. وجمعوا كمًا هائلاً من المعلومات عن هؤلاء المشاركين، بما في ذلك أعمارهم، ومستواهم التعليمي، وحالتهم الوظيفية، والتاريخ العائلي لمشاكل القلب، وعادات التدخين، ومستويات النشاط البدني، بالإضافة إلى قياسات طبية متنوعة مثل الكوليسترول، وسكر الدم، ووظائف الكلى. والأهم من ذلك، أنهم لم ينظروا إلى هذه العوامل مرة واحدة فقط؛ بل جمعوا البيانات في نقاط زمنية متعددة على مدى عشر سنوات، مما سمح لهم برؤية كيفية تطور الملف الصحي لكل شخص.

بنى الباحثون نموذجاً حاسوبياً محدداً للرجال ونموذجاً منفصلاً للنساء، إدراكاً منهم بأن عوامل خطر أمراض القلب غالباً ما تختلف بين الجنسين. ويعمل هذا النموذج، المعروف باسم "الشبكة البايزية الديناميكية"، من خلال رسم العلاقات بين المتغيرات الصحية المختلفة أثناء تغيرها عبر الزمن. وعلى عكس الأدوات الإحصائية القديمة التي قد تواجه صعوبة عندما ينسحب مشارك من الدراسة أو عند فقدان بعض البيانات، فقد صُمم هذا النموذج للتعامل مع هذه الفجوات بسلاسة. فهو يعامل فترة الدراسة كسلسلة من الخطوات الزمنية، ويتعلم من الأنماط لدى أولئك الذين أصيبوا بأمراض القلب ويقارنهم بأولئك الذين ظلوا أصحاء. واختبر الفريق نموذجهم عن طريق تقسيم البيانات، حيث استخدموا معظمها لتعليم الكمبيوتر الأنماط، واحتفظوا بجزء آخر لمعرفة ما إذا كان النموذج يمكنه التنبؤ بالنتائج التي لم يرها من قبل بشكل صحيح.

على مدار فترة المتابعة التي استمرت عشر سنوات، أصيب 632 مشاركاً، أي حوالي 8 بالمئة من المجموعة، بأمراض القلب. نجح النموذج في تصنيف المشاركين إلى مجموعات منخفضة المخاطر وعالية المخاطر. بالنسبة للرجال، وجد النموذج أن أولئك في مجموعة المخاطر العالية كانوا أكثر عرضة للإصابة بأمراض القلب بثلاث مرات من ذوي المخاطر المنخفضة. وتحديداً، أصيب 21.6 بالمئة من الرجال في مجموعة المخاطر العالية بالمرض، مقارنة بـ 7.2 بالمئة فقط من الرجال في مجموعة المخاطر المنخفضة. وكانت النتائج بالنسبة للنساء واضحة بشكل مماثل: أصيبت 20.0 بالمئة من النساء في مجموعة المخاطر العالية بأمراض القلب، بينما أصيبت 6.6 بالمئة فقط من النساء في مجموعة المخاطر المنخفضة. وفي كلتا الحالتين، واجهت المجموعة عالية المخاطر خطراً يزيد بثلاث مرات عن المجموعة منخفضة المخاطر. وقد تم قياس قدرة النموذج على التمييز بين هاتين المجموعتين باستخدام درجة تسمى "المساحة تحت المنحنى" (area under the curve)، والتي بلغت 0.612 للرجال و0.674 للنساء. وبينما تشير هذه الدرجات إلى أن النموذج أفضل من التخمين العشوائي، لاحظ الباحثون أن الأرقام لم تكن مثالية، ويرجع ذلك جزئياً إلى تحويلهم العديد من القياسات الطبية التفصيلية إلى فئات عامة لجعل النموذج يعمل.

سلطت الدراسة الضوء على عدة اختلافات رئيسية بين أولئك الذين أصيبوا بأمراض القلب وأولئك الذين لم يصابوا بها. فمن المرجح أن يكون الأشخاص الذين عانوا لاحقاً من حدث قلبي أكبر سناً، ولديهم تاريخ عائلي للمرض، ومستوى تعليمي أقل. كما كانوا أكثر عرضة للبطالة، أو السمنة أو السمنة البطنية، والمعاناة من حالات مثل ارتفاع ضغط الدم، والسكري، وقصور وظائف الكلى. وقد أثبت النموذج قدرته على دمج كل هذه العوامل المتغيرة بمرور الوقت لإنشاء ملف تعريف للمخاطر يعكس الواقع المعقد لصحة الإنسان. وأكد الباحثون أن هذا النهج يقدم بديلاً مرناً لنماذج البقاء التقليدية، التي تفترض غالباً أن عوامل الخطر تعمل بشكل مستقل ولا تأخذ في الاعتبار الواقع الفوضوي للبيانات المفقودة أو تغير الحالة الصحية.

وعلى الرغم من نجاح النموذج، فقد كان المؤلفون حذرين في الإشارة إلى حدوده. فقد أقروا بأن تحويل البيانات الطبية المستمرة إلى فئات بسيطة قد تسبب في فقدان بعض التفاصيل، مما أدى على الأرجح إلى عدم ارتفاع درجات التنبؤ. كما أشاروا إلى أن النموذج لم يتضمن بعد بيانات عالية الدقة مثل إشارات تخطيط كهرباء القلب، والتي يمكن أن تحسن الدقة المحتملة. علاوة على ذلك، ولأن الدراسة ركزت على سكان حضريين في إيران، فإن النتائج ستحتاج إلى اختبارها في مجموعات متنوعة أخرى لضمان قابليتها للتطبيق على نطاق واسع. ومع ذلك، فإن هذا العمل يوضح أن النماذج الحاسوبية القادرة على تتبع الصحة بمرور الوقت يمكنها تحديد الأفراد الأكثر عرضة للإصابة بأمراض القلب بثلاث مرات. وهذا يشير إلى أنه من خلال تبني الأساليب التي تفهم تدفق الوقت والروابط بين مختلف العوامل الصحية، قد يتمكن الأطباء من رصد الأفراد المعرضين لمخاطر عالية في وقت مبكر والتدخل قبل وقوع نوبة قلبية أو سكتة دماغية.