Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

إن مرض الزهايمر والخرف المرتبط به ليست أحداثاً مفاجئة تضرب دون سابق إنذار؛ بل هي عمليات بطيئة ومتسللة تبدأ في تغيير الدماغ قبل سنوات من نسيان الشخص لاسم ما أو ضياعه في مكان مألوف. ولأن هذه التغييرات تحدث في وقت مبكر جداً، فقد أمل الأطباء والباحثون منذ فترة طويلة في إيجاد وسيلة لرصد المخاطر قبل ظهور الأعراض بوقت طويل، مما يسمح برعاية مبكرة وتخطيط أفضل. ويكمن التحدي في أن الدماغ البشري معقد، وعلامات الخلل غالباً ما تكون خفية ومتناثرة عبر التاريخ الطبي للشخص. ولحل هذه المعضلة، توجه العلماء إلى السجلات الصحية الإلكترونية، وهي الأرشيفات الرقمية الضخمة لكل زيارة طبيب، وكل وصفة طبية، وكل اختبار معملي تلقاه المريض. تحتوي هذه السجلات على أدلة مدى الحياة، لكنها فوضوية، وغير منتظمة، وصعبة القراءة. والسؤال الجوهري للباحثين هو كيفية تحويل هذا التدفق الفوضوي من البيانات إلى صورة واضحة لمن هم عرضة للخطر، وما إذا كانت الطريقة المثلى للقيام بذلك تعتمد على مدى بُعد المستقبل الذي نحاول التنبؤ به.

وضع فريق من الباحثين هدفاً لاختبار طرق مختلفة لتعليم الحواسيب كيفية قراءة هذه التواريخ الطبية للتنبؤ ببدء الإصابة بالخرف. وقارنوا بين نهجين مختلفين تماماً لتمثيل حياة المريض داخل الحاسوب. كان النهج الأول مباشراً وشفافاً: فقد اكتفى ببساطة بعدّ عدد المرات التي زار فيها المريض الطبيب، وعدد الأدوية المختلفة التي تناولها، وعدد مرات تشخيص حالات معينة، وتنظيم هذه الأعداد في نوافذ زمنية. أما النهج الثاني، فكان أكثر تعقيداً، حيث استخدم نماذج ذكاء اصطناعي متقدمة تم تدريبها مسبقاً على ملايين السجلات الطبية لإنشاء "ملخص" رياضي خفي لرحلة المريض الصحية بأكملها. أراد الباحثون معرفة أي الطريقتين تعمل بشكل أفضل، وكيف يتغير أداؤهما كلما حاولوا التنبؤ بالمرض في وقت أبكر، وما إذا كانت هذه الأساليب ستعمل إذا طُبقت على مجموعة مختلفة تماماً من المرضى في نظام مستشفيات آخر.

باستخدام قاعدة بيانات وطنية ضخمة للسجلات الصحية، قام الفريق بتدريب نماذجهم للتنبؤ بالخرف قبل ستة، واثني عشر، وأربعة وعشرين، وستة وثلاثين شهراً من التشخيص الفعلي للمريض. ووجدوا أن النهج البسيط القائم على العدّ كان الأكثر موثوقية بشكل عام؛ فقد كان أفضل في التمييز بين المرضى الذين سيصابون بالمرض وأولئك الذين لن يصابوا، وكانت تنبؤاته أكثر دقة من حيث الاحتمالية. وكان هذا التفوق واضحاً عند النظر في المستقبل القريب؛ فبالنسبة للتنبؤات التي تتم قبل ستة أشهر من التشخيص، تفوقت طريقة العد البسيطة بشكل كبير على نماذج الذكاء الاصطناعي المعقدة. ومع ذلك، عندما نظر الباحثون إلى الماضي لفترة أبعد، محاولين التنبؤ بالمرض قبل ثلاث سنوات كاملة، تقلصت الفجوة بين الطريقتين. وعند علامة الـ 36 شهراً، استدركت النماذج المعقدة المسافة، وأدت أداءً يقارب أداء العد البسيط، رغم أنها لم تتفوق عليه.

كما كشفت الدراسة عن كيفية "تفكير" النماذج الحاسوبية كلما نظرت إلى الماضي لفترة أبعد. فعند التنبؤ بالمرض في المدى القريب، اعتمدت النماذج بشكل كبير على أعراض معرفية محددة، مثل تشخيصات فقدان الذاكرة أو الضعف الإدراكي الطفيف. ولكن مع امتداد نافذة التنبؤ إلى الماضي، كانت هذه الأعراض المحددة غالباً غير موجودة في السجلات. وفي تلك الحالات، حولت النماذج انتباهها إلى أنماط أوسع من استخدام الرعاية الصحية؛ حيث بدأت في وزن عوامل مثل وتيرة زيارات المريض للمستشفى، وعدد الأدوية المختلفة التي وُصفت له، والحجم العام لتفاعلاته الطبية. ويبدو أنه قبل وقت طويل من ظهور علامات واضحة للخرف على الدماغ، يتغير النمط العام لطلب الرعاية الصحية للجسم، وقد تعلمت النماذج استخدام هذه الإشارات العامة كإنذارات مبكرة.

واختبر الباحثون أيضاً ما إذا كان يمكن نقل هذه النماذج إلى نظام مستشفيات مختلف دون إعادة تدريبها، وهو سيناريو يُعرف باسم "النقل الصفري" (zero-shot transfer). طبقوا النماذج المدربة على قاعدة البيانات الوطنية على مجموعة بيانات مستقلة ومنفصلة من مستشفى جامعي. وكانت النتائج صارخة: انخفض الأداء بشكل كبير لكلا النهجين. فقد عانت النماذج للتكيف مع مجتمع المرضى المختلف، والذي كان أكبر سناً وله تركيبات ديموغرافية عرقية مختلفة، بالإضافة إلى اختلاف أنماط تسجيل المعلومات من قبل الأطباء. وبينما صمدت نماذج الذكاء الاصطناعي المعقدة بشكل أفضل قليلاً من العد البسيط في سيناريو النقل الصعب هذا، إلا أن أي من النهجين لم يثبت كونه قوياً بما يكفي للعمل بشكل مثالي عبر أنظمة الرعاية الصحية المختلفة دون تعديل. وهذا يشير إلى أنه بينما تعد هذه التكنولوجيا قوية، إلا أنها ليست بعد أداة عالمية يمكن تطبيقها في أي مكان دون ضبط محلي دقيق.

في الختបញ្ចប់، يوضح هذا العمل أنه لا توجد طريقة واحدة "مثلى" لتمثيل التاريخ الطبي للمريض للتنبؤ بالخرف. فالخيار يعتمد على توقيت التنبؤ والسياق المحدد. فمن أجل رصد المرض في المستقبل القريب، تظل عمليات العد البسيطة والمفسرة للأحداث الطبية هي المعيار الذهبي. أما بالنسبة للنظر إلى الأمام لفترة أبعد، فتصبح نماذج الذكاء الاصطناعي المعقدة أكثر تنافسية، مقدمة توازناً مختلفاً من الدقة. وتشير النتائج إلى أن الطريق نحو الكشف المبكر لا يكمن في البحث عن خوارزمية واحدة مثالية، بل في فهم كيفية التقاط الأدوات المختلفة لإشارات متنوعة في أوقات مختلفة، وفي إدراك أن الإشارات نفسها تتغير مع انتقال المرض من خطر بعيد إلى واقع وشيك.