Random Survival Forest quantifies intra-stage heterogeneity of recurrence-free survival after curative gastrectomy: a single-center cohort study

عندما يستأصل الجراح ورماً في المعدة، يكون تقرير عالم الأمراض هو أول خريطة للمستقبل. يحدد هذا التقرير مرحلة السرطان، وهو تصنيف يعتمد على مدى عمق نمو الورم وما إذا كان قد وصل إلى العقد الليمفاوية المجاورة. لعقود من الزمن، كان هذا النظام هو الطريقة القياسية التي يستخدمها الأطباء لتخمين احتمالية عودة السرطان لدى المريض. فهو يجمع المرضى معاً، بافتراض أن كل من يحمل التصنيف نفسه يواجه المخاطر ذاتها. لكن البيولوجيا نادراً ما تكون بهذا الوضوح والترتيب؛ إذ يمكن لشخصين أن يحملا تصنيف المرحلة ذاته تماماً، ومع ذلك تختلف نتائجهما بشكل كبير، لأن التفاصيل غير المرئية لمرض كل منهما تختلف بطرق لا تستطيع التصنيفات القياسية رؤيتها. والسؤال المطروح أمام الطب الحديث هو ما إذا كان بإمكاننا النظر لما وراء الفئات العامة لرؤية المخاطر الفريدة لكل فرد، مما يسمح برعاية مصممة خصيصاً للشخص بدلاً من المجموعة.

وضع فريق من الباحثين في مركز طبي واحد هدفاً للإجابة على هذا السؤال للمرضى الذين خضعوا لعملية جراحية ناجحة لاستئصال سرطان المعدة. ركزوا على مجموعة محددة من المرضى الذين انتشرت أورامهم إلى العقد الليمفاوية المجاورة ولكنها لم تصل إلى الأعضاء البعيدة، وهي نطاق من الشدة يُعرف بالمراحل من IIA إلى IIIC. وبينما يعامل النظام القياسي الجميع في هذه المراحل على أن لديهم ملف مخاطر متشابه، اشتبه الباحثون في وجود اختلافات خفية داخل هذه المجموعات كانت ذات أهمية كبيرة. ولإيجادها، لجأوا إلى طريقة حاسوبية تسمى "غابة البقاء العشوائية" (Random Survival Forest). هذه ليست غابة من الأشجار، بل هي أداة رقمية تبني مسارات قرار مختلفة للعثور على أنماط في البيانات المعقدة، تماماً مثل سؤال مئة خبير مختلف حول حالة واحدة ثم أخذ متوسط إجاباتهم.

جمع الباحثون سجلات من 486 مريضاً تم استئصال سرطانهم بين عامي 2008 و2020. وقاموا بتغذية الحاسوب بعشر قطع مختلفة من المعلومات عن كل مريض، بما في ذلك تفاصيل عن الورم وصحة المريض، لمعرفة ما إذا كان النموذج قادراً على التنبؤ بمن سيظل خالياً من السرطان لمدة ثلاث وخمس سنوات. قاموا أولاً بتعليم النموذج باستخدام بيانات السنوات الأولى، ثم اختبروه على مرضى من السنوات اللاحقة لضمان قدرته على التعامل مع الحالات الجديدة. وأظهرت النتائج أن النموذج الحاسوبي كان أفضل في التنبؤ بالمستقبل من تصنيفات المراحل القياسية وحدها. فبينما أعطى النظام التقليدي تقديراً تقريبياً، استطاع النموذج الجديد التمييز بين المرضى الذين من المرجح جداً أن يبقوا خاليين من السرطان وأولئك الذين من المرجح أن يشهدوا عودة للمرض، حتى عندما يتشاركون في المرحلة الرسمية نفسها.

كان الاكتشاف الأكثر إثارة للدهشة هو كيف تباينت المخاطر داخل المراحل المتوسطة من المرض. فبالنسبة للمرضى في المراحل من II إلى IIIB، كشف النموذج عن فجوة واسعة في النتائج. فبعض المرضى في هذه المجموعات كانت لديهم فرصة منخفضة جداً لعودة المرض، بينما كان لدى آخرين فرصة أعلى بكثير، بفارق يتراوح بين عشرة إلى خمسة عشر نقطة مئوية بين مجموعات المخاطر الأدنى والأعلى. وهذا يعني أن شخصين يحملان تصنيف المرحلة ذاته يمكن أن يكون لهما مستقبلا مختلفان تماماً، وهي حقيقة أغفلها النظام القديم تماماً. ومع ذلك، وجد النموذج أنه بالنسبة للمجموعة الأكثر خطورة، وهي المرحلة IIIC، كانت المخاطر مرتفعة بشكل موحد. فقد واجه الجميع في هذه المجموعة عبئاً ثقيلاً من عودة المرض، وأكد النموذج الحاسوبي أن تصنيف المرحلة القياسي كان يقوم بالفعل بعمل جيد في تحديدهم كفئة عالية المخاطر؛ فلم تكن هناك مجموعة منخفضة المخاطر مختبئة داخل هذه الفئة.

يشير هذا العمل إلى أن النظام الحالي لمراحل سرطان المعدة المتوسطة هو نظام فظ للغاية. فهو يعامل مجموعة متنوعة من المرضى كما لو كانوا جميعاً متشابهين، مما قد يؤدي إما إلى قلق غير ضروري أو مراقبة غير كافية. ويقدم النهج الجديد طريقة لتصنيف هؤلاء المرضى بشكل أكثر دقة، وتحديد من يحتاج إلى مراقبة وثيقة ومن قد يكون آمناً مع الرعاية القياسية. ويشير الباحثون إلى أن نتائجهم تستند إلى مركز طبي واحد وسوف تحتاج إلى التحقق من قبل مستشفيات أخرى للتأكد من أنها تنطبق في كل مكان. وحتى ذلك الحين، توفر هذه الدراسة معياراً واضحاً لكيفية مساعدة التكنولوجيا للأطباء يوماً ما في تجاوز التصنيفات العامة لفهم الواقع المحدد لمرض كل مريض.