Deep Learning versus Linear Mixed Models for Estimating Treatment Effects in Longitudinal Repeated-Measures Studies

في عالم الأبحاث السريرية، يحتاج العلماء غالباً إلى تتبع كيفية تغير المرضى بمرور الوقت. تخيل شخصاً يتناول دواءً لعلاج الاكتئاب؛ فإن أعراضه لا تنتقل ببساطة من حالة "سيئة" إلى "جيدة" في لحظة واحدة، بل تتقلب يوماً بعد يوم، متأثرة بالدواء، وببيولوجيا جسمه، وبمرور الزمن. ولفهم ما إذا كان العلاج فعالاً حقاً، يجمع الباحثون البيانات في نقاط زمنية متعددة — أسابيع، أو أشهر، أو سنوات — مما يشكل خطاً طويلاً من القياسات لكل شخص. وتكمن التحدي في أن هذه القياسات المتكررة من الفرد نفسه تكون مرتبطة ببعضها البعض؛ فما يحدث في اليوم الأول يؤثر على ما يحدث في اليوم الثاني. ولطالما كانت الأدوات الإحصائية التقليدية هي المعيار لفك تشابك هذه النقاط البيانية المرتبطة، مما يسمح للعلماء بفصل التأثير الحقيقي للدواء عن التقلبات الطبيعية في حالة المريض. ومع ذلك، تتطلب هذه الأدوات التقليدية من الباحثين وضع تخمينات محددة حول شكل منحنى التعافي قبل البدء حتى في النظر إلى البيانات. وإذا اتبع التعافي في الواقع مساراً مختلفاً عما تم تخمينه، فقد تخطئ الأداة الهدف.

لقد ظهر نهج أحدث وأكثر مرونة يُسمى "التعلم العميق" في السنوات الأخيرة. وخلافاً للأدوات التقليدية، لا يبدأ التعلم العميق بشكل محدد مسبقاً أو بصيغة جامدة، بل يستخدم نظاماً حاسوبياً مصمماً لمحاكاة كيفية تعلم الدماغ البشري، مما يسمح له باكتشاف الأنماط والعلاقات المعقدة مباشرة من البيانات نفسها. وهذه المرونة قوية، لكنها تثير سؤالاً جوهرياً: في البيئة عالية المخاطر للتجارب الطبية، حيث غالباً ما تكون أحجام العينات متواضنة وتكلفة الخطأ باهظة، هل يتفوق هذا النهج المرن والشره للبيانات فعلياً على الأساليب القائمة على القواعد الراسخة؟ لقد وضع فريق من الباحثين في فرنسا حداً لهذا التساؤل عبر إنشاء تجربة منضبطة لمعرفة أي المنهجين يمكنه قياس تأثير العلاج بدقة أكبر.

لم يختبر الباحثون ذلك على مرضى حقيقيين، بل على محاكاة حاسوبية واقعية للغاية لتجربة سريرية للاكتئاب الجسيم. لقد بنوا عالماً افتراضياً شارك فيه 240 مشاركاً تم تقسيمهم إلى ثلاث مجموعات: مجموعة تتلقى علاجاً وهمياً (placebo)، ومجموعة تتلقى جرعة منخفضة من الدواء، ومجموعة تتلقى جرعة عالية. وقاموا بمحاكاة درجات الاكتئاب لدى المرضى على مدار ثمانية أسابيع، من خلال إنشاء ثلاثة أنواع مختلفة من أنماط التعافي لضمان قوة الاختبار. كما قاموا بتغيير جدول المراجعات، واختبار سيناريوهات تم فيها تقييم بعض المشاركين في أوقات مختلفة أو بتواتر مختلف. وفي هذه البيئة الافتراضية، عرف الباحثون الحقيقة الدقيقة لكيفية عمل الدواء لأنهم هم من كتبوا قواعد المحاكاة بأنفسهم. وقد سمح لهم ذلك بالعمل كحكم، لمقارنة مدى قدرة منهجين مختلفين — النموذج الإحصائي التقليدي ونظام التعلم العميق الجديد — على إيجاد تلك الحقيقة المعروفة.

عند بدء التحليل، استطاع كلا المنهجين رؤية الاتجاه العام: الجرعة الأعلى كانت تعمل بشكل أفضل من الجرعة الأقل، وكلتاهما كانت تعمل بشكل أفضل من العلاج الوهمي. ومن هذا المنظور الواسع، نجح كلا النهجين. ومع ذلك، عندما نظر الباحثون عن كثب في دقة الأرقام، ظهر فرق واضح. فقد أظهرت الطريقة التقليدية، رغم موثوقيتها في المتوسط، انحرافاً ملحوظاً عن الحقيقة المعروفة في تقديراتها؛ إذ كان حسابها لمتوسط تأثير العلاج بعيداً عن الحقيقة بنحو 3.5 نقطة على مقياس الاكتئاب. وفي المقابل، كان نظام التعلم العميق دقيقاً للغاية، حيث لم تبتعد تقديراته عن القيمة الحقيقية سوى بنحو 0.15 نقطة فقط. كما أظهر نظام التعلم العميق توافقاً أكثر إحكاماً مع الواقع المعروف، حيث تبع القيم الحقيقية بشكل مثالي تقريباً، بينما مالت الطريقة التقليدية إلى تسطيح الفروقات بين المجموعات، مما أدى إلى التقليل من تقدير القوة الحقيقية للعلاج.

كما بحثت الدراسة أيضاً في كيفية أداء كل نظام عندما تباين توقيت وتواتر التقييمات، محاكيةً بذلك سيناريوهات العالم الحقيقي حيث لا تكون جداول المراجعة موحدة. وقد أثبت نموذج التعلم العميق قدرته على الصمود، حيث حافظ على دقته حتى عندما جُمعت البيانات في فترات غير منتظمة. فقد تمكن من تعلم الأنماط الكامنة لتعافي المرضى دون الحاجة إلى إخباره بكيفية ظهور تلك الأنماط بالضبط. أما الطريقة التقليدية، التي تعتمد على افتراضات محددة حول كيفية ترابط البيانات وشكل منحنى التعافي، فقد أظهرت انحرافاً أكبر عن الحقيقة عندما لم تتطابق البيانات تماماً مع توقعاتها المحددة مسبقاً. ووجد الباحثون أن نهج التعلم العميق تطلب افتراضات أقل بكثير حول النظام الأساسي لإنتاج نتيجة أقرب إلى الحقيقة.

وعلى الرغم من هذه النتائج المثيرة للإعجاب في المحاكاة، إلا أن المؤلفين حذرون من إعلان نصر نهائي. فقد أكدوا أن هذه النتائج خاصة بالظروف التي خلقوها؛ إذ استخدمت الدراسة نوعاً معيناً من مقاييس الاكتئاب، وعددًا محدداً من المشاركين، ومجموعة محددة من القواعد لكيفية توليد البيانات. وبينما أظهر منهج التعلم العميق أداءً متفوقاً في هذا الإطار المنضبط، فإن الباحثين لا يدعون بأنه أفضل عالمياً لكل تجربة طبية. كما أشاروا إلى أن نماذج التعلم العميق يمكن أن تكون معقدة ويصعب تفسيرها، وأن نجاحها في هذه المحاكاة لا يضمن تفوقها على الطرق التقلية في كل سيناريو من سيناريوهات العالم الحقيقي. وتعتبر هذه الدراسة بمثابة إثبات للمفهوم، مما يشير إلى أن التعلم العميق يمكن أن يكون أداة قوية وموثوقة لتقدير تأثيرات العلاج، لا سيما عندما تكون أنماط التعافي معقدة ويصعب التنبؤ بها مسبقاً. وهي تفتح الباب لمزيد من الاستقصاء، وتدعو العلماء لاختبار هذه الأساليب في تجارب أكبر وأكثر تنوعاً لمعرفة ما إذا كانت هذه الدقة ستصمد عند إدخال متغيرات الحياة الواقعية بكامل تفاصيلها.