نجح باحثون أميركيون في تطوير نموذج يعتمد على الذكاء الاصطناعي لتحسين تحديد المصابين بأمراض الامعاء الالتهابية في السجلات الطبية الإلكترونية، ما قد يساعد على إجراء أبحاث أكثر دقة وموثوقية.

وبحسب دراسة أجراها باحثون في مستشفى «هيوستن ميثوديست» الأميركي، ونُشرت في مجلة «Digestive Diseases and Sciences»، رفع النموذج دقة تحديد الحالات المصابة فعلياً من نحو 65% إلى 90%، مقارنة بالاعتماد على رموز التشخيص المسجلة وحدها.

وتكمن أهمية هذه النتيجة في أن وجود تشخيص معين داخل السجل الطبي لا يعني بالضرورة تأكيد إصابة المريض به، وهو ما قد يؤدي إلى إدراج أشخاص غير مصابين ضمن الدراسات الطبية، وبالتالي التأثير في نتائجها.

لماذا يصعب تحديد المرضى؟

يشمل مرض الأمعاء الالتهابي مجموعة من الأمراض المزمنة التي تسبب التهاباً في الجهاز الهضمي، أبرزها داء كرون والتهاب القولون التقرحي.

وقد يعاني المصابون الإسهال المتكرر وآلام البطن والإرهاق وفقدان الوزن، وهي أعراض تتشابه أحياناً مع اضطرابات هضمية أخرى، مثل متلازمة القولون العصبي.

وتعتمد المستشفيات على رموز التصنيف الدولي للأمراض «ICD-10» لتسجيل التشخيصات، ويستخدمها الباحثون لاختيار المرضى المشاركين في الدراسات.

لكن هذه الرموز قد تعكس اشتباهاً أولياً بالمرض، أو تشخيصاً تغير لاحقاً، ولا تؤكد دائماً الإصابة الفعلية.

وأظهرت الدراسة أن نحو 65% فقط من الحالات التي حُددت اعتماداً على رموز التشخيص كانت مصابة بالفعل بمرض الأمعاء الالتهابي.

ولمعالجة هذه المشكلة، طور الباحثون نموذجاً للتعلم الآلي، وهو أحد فروع الذكاء الاصطناعي، يستطيع تحليل معلومات طبية متعددة بدلاً من الاعتماد على التشخيص المسجل وحده.

35 ألف سجل و198 متغيراً

راجع الفريق البحثي، بقيادة الدكتورة بينسي أبراهام، بيانات نحو 35 ألف مريض لديهم رموز تشخيص مرتبطة بالمرض، مع التحقق يدوياً من 1200 سجل طبي.

واستخدم الباحثون هذه البيانات لتدريب نماذج قادرة على التمييز بين المصابين بداء كرون، والمصابين بالتهاب القولون التقرحي، والأشخاص الذين لم تتأكد إصابتهم بأي منهما.

وشمل التحليل 198 متغيراً سريرياً، بينها الأدوية المستخدمة، ونتائج التصوير الطبي، وفحوص الأنسجة، والإجراءات العلاجية، والتشخيصات السابقة، ومتابعة الأطباء المتخصصين.

واختبر الفريق ثلاثة نماذج للتعلم الآلي، وحقق نموذج يُعرف باسم «الغابة العشوائية» أفضل أداء إجمالي.

وأظهرت النتائج ارتفاع القيمة التنبؤية الإيجابية إلى 90%، أي أن 90 من كل 100 حالة يصنفها النموذج على أنها مصابة تكون مصابة فعلياً، وفق بيانات التحقق المستخدمة في الدراسة.

كما تمكن الباحثون من تقليص عدد المتغيرات بنحو 80% دون تراجع كبير في الأداء، ما قد يسهل استخدام النموذج ويقلل الموارد الحاسوبية المطلوبة.

ولم يكتف الفريق بتحسين النتائج، بل استخدم تقنيات تساعد على تفسير قرارات النموذج، وكشف المعلومات الطبية الأكثر تأثيراً في تصنيف المرضى.

وأوضح الدكتور كريستوفر فان، المؤلف الرئيس للدراسة، أن التأكد من صحة تحديد المرضى خطوة ضرورية قبل دراسة نتائجهم الصحية والأمراض المصاحبة لهم.

ورغم النتائج الواعدة، فإن الدراسة أُجريت داخل نظام صحي واحد، ما يستدعي اختبار النموذج في مؤسسات أخرى للتأكد من إمكانية تعميم أدائه.

كما أن الأداة مخصصة لتحسين اختيار مجموعات المرضى في الأبحاث، وليست بديلاً عن تشخيص الطبيب أو الفحوص السريرية.

وتشير النتائج إلى أن الجمع بين السجلات الطبية والتعلم الآلي قد يعزز موثوقية الدراسات، ويمهد لفهم أدق للأمراض ونتائج علاجها.