تطبيق التعلم الآلي في التنبؤ بنتائج علاج سرطان القولون

لماذا يهم التنبؤ بنتائج سرطان القولون

يُعد سرطان القولون أحد أكثر أنواع السرطان شيوعًا في العالم، ويريد العديد من المرضى وعائلاتهم معرفة أمر بسيط وعاجل: «ما هي فرصي، وما الذي يمكن فعله لتحسينها؟» تستكشف هذه الدراسة من إيران كيف يمكن لتقنيات الحاسوب الحديثة، المعروفة بالتعلم الآلي، أن تنقّب في السجلات الطبية التفصيلية لتتنبأ بشكل أفضل أي المرضى هم الأكثر عرضة للخطر بعد الجراحة. من خلال تحسين هذه التنبؤات، قد يتمكّن الأطباء من تفصيل العلاج والمتابعة بدقة أكبر، مما يمنح المرضى الأكثر ضعفًا فرصة أفضل للبقاء على المدى الطويل.

تحويل سجلات المستشفى إلى أنماط مفيدة

استند الباحثون إلى بيانات استمرت 10 سنوات من 764 شخصًا خضعوا لجراحة سرطان القولون في مركز رئيسي في شيراز بإيران. جمعوا لكل مريض 44 بندًا من المعلومات، بما في ذلك العمر، وفحوصات الدم، وحجم الورم، ومرحلة السرطان، والأعراض، وتفاصيل العملية والعلاجات مثل العلاج الكيميائي. نُقِّحت هذه السجلات وتحقق منها بعناية: صُحِّحت القيم المختبرية غير المنطقية، وأُزيل المرضى الذين تعذر تتبعهم، وملئت الإجابات المفقودة بتقديرات معقولة. بعد ذلك قسم الفريق البيانات بحيث تُستخدم الغالبية في تدريب نماذج الحاسوب، بينما يُحتفظ بجزء منفصل لاختبار مدى قدرة هذه النماذج على التنبؤ بمن سيكون على قيد الحياة أو متوفى عند المتابعة.

كيف تتعلم الخوارزميات الذكية من المرضى

بدلاً من الاعتماد فقط على الإحصاءات التقليدية، قارنت الدراسة عدة أساليب حاسوبية حديثة جنبًا إلى جنب. شملت هذه طرقًا مختلفة من "الغابات" و"التعزيز"، التي تجمع بين العديد من قواعد القرار البسيطة، وكذلك الشبكات العصبية التي تحاكي بشكل فضفاض تواصُل خلايا الدماغ. كان الهدف واحدًا لكل طريقة: استخدام معلومات المرضى لتخمين ما إذا كان كل شخص سينجو، ثم مقارنة تلك التخمينات بما حدث فعلاً. قُيِّمت النماذج بناءً على مدى صدقها الإجمالي، ومدى قدرتها على التقاط المرضى الذين توفوا، ومدى تجنّبها الإنذارات الكاذبة بالنسبة للناجين. وصلت الطرق ذات الأداء الأفضل إلى نحو 80% دقة إجمالية تقريبًا، وهو نتيجة قوية بالنظر إلى تعقيد نتائج السرطان.

أي النماذج والعوامل كانت الأهم

من بين كل الأساليب، قدّمت طريقة تُدعى CatBoost أعلى دقة إجمالية، بينما أظهر نموذج الغابة العشوائية أفضل توازن بين تحديد المرضى ذوي المخاطر العالية بدقة وعدم الإفراط في تقدير الخطر لدى من حالهم جيد. لجعل النتائج أكثر فهمًا للأطباء، استخدم الفريق أداة تفسير تصنّف أي أجزاء المعلومات أثّرت في قرارات الحاسوب أكثر. كانت مرحلة السرطان — ملخص لحجم الورم، وهل وصل إلى العقد الليمفاوية، وهل انتشر — العامل الأقوى الوحيد. لعبت أيضًا دورًا مهمًا في تشكيل تنبؤات البقاء أحجام الورم، وعمق غزو الورم لجدار القولون، ووجود انتشارات إلى أعضاء أخرى، ونوع العلاج، ودرجة الورم (مدى شذوذ الخلايا)، ومشاركة الأوعية اللمفاوية والدموية، وعمر المريض، وفقدان الوزن.

من الأرقام إلى قرارات بجانب السرير

تقترح هذه النتائج أن نموذجًا حاسوبيًا مدرّبًا بعناية، يُغذَّى بمعلومات سريرية روتينية، يمكن أن يساعد الأطباء في رصد المرضى الذين هم بصمت معرضون لخطر مرتفع بعد جراحة سرطان القولون. في الممارسة اليومية، يمكن أن يكون مثل هذا الأداة مضمّنًا داخل السجل الصحي الإلكتروني، جامعًا فورًا تفاصيل حول ورم المريض وصحته العامة في تقدير بسيط للمخاطر. هذا الرقم لن يُستبدل حكم الطبيب، لكنه قد يوجّه قرارات مثل عدد مرات المتابعة المطلوبة للمريض، وهل تستحق العلاجات الإضافية آثارها الجانبية، أو متى ينبغي طلب رأي ثانٍ. ونظرًا لأن العوامل الأهم التي حدّدها الحاسوب تتوافق مع ما يعتبره أخصائيو السرطان بالفعل أمورًا حاسمة، فإن النظام أسهل في الوثوق به وشرحه للمرضى.

ماذا يعني هذا للمرضى والمستقبل

بالنسبة للمرضى والعائلات، الرسالة الأساسية هي أن الحواسيب قادرة الآن على استخدام البيانات الطبية العادية لدعم رعاية أكثر تخصيصًا لسرطان القولون. بينما أُجريت الدراسة في مركز واحد بإيران ولا تزال بحاجة إلى الاختبار في مستشفيات أخرى ومع بيانات أغنى، مثل المعلومات الجينية والتصويرية، فإنها تُظهر أن التعلم الآلي يمكنه تسليط الضوء على من يحتاج إلى اهتمام إضافي ولماذا. مع مرور الوقت، ومع إضافة المزيد من البيانات وتحسين النماذج، يمكن لمثل هذه الأدوات أن تساعد الأطباء في جميع أنحاء العالم على تقديم علاج قائم على الأدلة ومصقول بدقة لظروف كل مريض وسرطانه الخاص.

الاستشهاد: Ghasemi, H., Hosseini, S.V., Rezaianzadeh, A. et al. Machine learning application in colon cancer treatment outcome prediction. Sci Rep 16, 6159 (2026). https://doi.org/10.1038/s41598-026-36917-0

الكلمات المفتاحية: سرطان القولون, التعلم الآلي, نتائج العلاج, تنبؤ المخاطر, البيانات السريرية