نهج تعلّم آلي قائم على kNN لأتمتة تقييم السببيّة للحوادث الضائرة

لماذا هذا مهم للأشخاص الذين يتناولون أدوية

عندما يصل دواء جديد إلى السوق، تَكون قصته قد بدأت للتو. ملايين الأشخاص سيستخدمونه في العالم الواقعي، وبعضهم سيواجه مشكلات صحية قد تكون أو لا تكون ناجمة عن الدواء. من الضروري لسلامة المرضى تحديد أي التفاعلات مرتبطة بالفعل بالدواء، لكن العمل اليوم بطيء، معقّد، ومعظمه يدوي. تستكشف هذه الدراسة كيف يمكن لشكل بسيط لكنه قوي من الذكاء الاصطناعي أن يساعد الخبراء على مراجعة تقارير السلامة هذه بشكل أسرع وأكثر اتساقًا، من دون أن يحلّ محلّ الحكم البشري الذي يحمي المرضى في النهاية.

كيف تتحول قصص السلامة إلى بيانات

تعتمد شركات الأدوية والجهات التنظيمية على تقارير سلامة الحالات الفردية، وهي ملخصات مُهيكلة لتجارب أشخاص حقيقيين مع الأدوية. قد يتضمن كل تقرير ما حدث خطأً (مثل صداع أو مشكلة في الكبد)، مدى شدته، الأدوية والأمراض الأخرى الموجودة، وما كان رأي المراجع الأصلي بشأن العلاقة مع الدواء. بالنسبة لأكثر من 800,000 تقرير من ستة أدوية مطروحة في السوق، كان المراجعون الطبيون في الشركة قد قرروا بالفعل ما إذا كانت كل حدث ضار مرتبطًا بالدواء أو غير مرتبط أو لا يمكن الحكم عليه بسبب نقص المعلومات أو التضارب. استخدم الباحثون هذا السجل التاريخي الغني كمادة تدريبية لنموذج حاسوبي يتعلّم تقليد تلك القرارات البشرية في حالات جديدة.

تعليم الحاسوب رصد الحالات المماثلة

بدلاً من بناء نظام غامض، اختار الفريق طريقة شفافة bijzonder تُسمى «أقرب الجيران». الفكرة بديهية: إذا بدت حالتان متشابهتين جدًا، فهما على الأرجح تشتركان في نفس الاستنتاج بشأن ما إذا كان الدواء سبب المشكلة. لالتقاط التشابه، مثل الباحثون كل حدث ضار في ملف مكوّن من سبعة عناصر، بما في ذلك المصطلح الطبي للحدث، ما حدث عند إيقاف الدواء وإعادة إعطائه، ما إذا كان المشكلة متوقعة لهذا الدواء، رأي المبلغ، الأدوية الأخرى المتناولة، التاريخ الطبي، ومدى خطورة الحدث. ثم قاسوا مدى قرب كل حالتين في هذا الفضاء السبعـي الأبعاد، مع إعطاء وزن أكبر للسمات التي تهم في تحديد السببية، مثل الحدث الدقيق وما حدث عند تغيير العلاج.

من القرب إلى قرار ثلاثي

عند وصول تقرير جديد، يبحث النموذج في البيانات التاريخية ليجد عشرة حالات الأكثر تشابهًا. ثم يراجع كيف تم تصنيف هؤلاء الجيران ويَسمح لهم «بالتصويت» ضمن ثلاثة نتائج واسعة: على الأرجح مرتبطة بالدواء، غير مرتبطة أو غير مرجحة، ولا يمكن تقييمها. هذا التقسيم الثلاثي يوفّق بين الدقة السريرية والأداء الموثوق. عند اختباره على أكثر من 250,000 حدث لم تُرَ من قبل، طابق النموذج مراجعي البشر عن قرب للحالات المصنفة على أنها مرتبطة ولتلك التي اعتُبرت غير قابلة للتقييم، مع معدلات خطأ منخفضة ودرجات قوية تجمع بين الدقة والشمول. واجه Model صعوبة أكبر مع المجموعة الأصغر من الأحداث الواضح أنها غير مرتبطة، مما يعكس التحدي الذي تواجهه أنظمة التعلم الآلي عندما يكون نوع واحد من الأمثلة نادرًا نسبيًا.

تقليل غموض "لا يمكن الحكم"

مشكلة عملية في عمل السلامة في العالم الحقيقي هي أن وسم "غير قابل للتقييم" قد يصبح عنوانًا شاملًا عندما تكون المعلومات ضئيلة أو غامضة، مما يصعّب رؤية أنماط السلامة الحقيقية. أضاف الباحثون أداة ضبط تجعل النموذج أكثر حذراً عند إعطاء هذا الوسم. بدلًا من اختيار "غير قابل للتقييم" كلما فاز بأغلبية بسيطة بين الحالات المتشابهة، يتطلب النموذج الآن نسبة أعلى من الجيران لدعم هذا الخيار. من خلال رفع هذا الحد، تمكن الفريق من تقليل عدد المرات التي يعلن فيها النموذج أن الحالة غير قابلة للتقييم بشكل حاد وتحسين الأداء للفئتين الأخريين، على حساب بعض زيادة التباين في الآراء للحالات الأصعب في الحكم. تتيح لوحة تحكم عبر الويب للمراجعين الطبيين تعديل هذا العتبة حسب المنتج، ورؤية كيف يتغير توازن النتائج فورًا، وتركيز انتباههم على الحالات التي يختلف فيها النموذج مع البشر.

ماذا يعني هذا لمستقبل سلامة الأدوية

لعينة من الحالات الحديثة التي صنفها المراجعون البشريون كغير قابلة للتقييم، أبرز النظام مئات الحالات حيث اختلف استنتاجه. عندما أعاد المراجعون الكبار فحص هذه الحالات، اتفقوا مع النموذج في أكثر من ثلثي الحالات، ما يظهر أن هذه الأدوات يمكنها الإشارة إلى أنماط مهملة ودعم الرقابة النوعية بدلاً من استبدال الخبراء. تُظهر هذه العمل أن نهجًا واضحًا قائمًا على التشابه يمكن أن يدخل الذكاء الاصطناعي إلى سلامة الأدوية بطريقة قابلة للتفسير، وقابلة للضبط، ومتوافقة مع الممارسة الطبية. مع تراكم المزيد من البيانات وإضافة السرد النصي باستخدام تقنيات اللغة الحديثة، قد تساعد أنظمة مثل هذه في التأكد من رصد المخاطر الناشئة مبكرًا، مع إبقاء الأطباء المتحكمين الرئيسيين في الأحكام النهائية.

الاستشهاد: Ren, J., Carroll, H., McCarthy, K. et al. A kNN based machine learning approach to automating causality assessment of adverse events. Sci Rep 16, 9140 (2026). https://doi.org/10.1038/s41598-026-40267-2

الكلمات المفتاحية: مراقبة السلامة الدوائية, حوادث دوائية ضائرة, تقييم السببية, تعلّم آلي, k أقرب الجيران