تنبؤ بتدهور الإدراك خلال 12 شهرًا في مرض ألزهايمر وتصنيف المخاطر باستخدام بيانات سريرية ومخبرية روتينية وتصوير بالرنين المغناطيسي

لماذا يهم التنبؤ بفقدان الذاكرة

يسلب مرض ألزهايمر الذاكرة والقدرات الفكرية لدى الناس ببطء، لكن ليس الجميع يتراجع بنفس الوتيرة. بعض المرضى يخسرون عدة نقاط في اختبارات عقلية بسيطة خلال عام، بينما يبقى الآخرون مستقري الحال نسبيًا. القدرة على التنبؤ عند التشخيص بمن المرجح أن يتدهور بسرعة يمكن أن تساعد الأطباء على جدولة الزيارات، ودعم العائلات، واختيار مرضى للتجارب السريرية للعلاجات الجديدة. تسأل هذه الدراسة ما إذا كان بالإمكان دمج معلومات تجمعها العديد من عيادات الذاكرة بالفعل — اختبارات فكرية قصيرة وعمليات تصوير دماغي روتينية — مع أساليب حاسوبية حديثة للتنبؤ بمن سيتدهور خلال الأشهر الاثني عشر القادمة.

من شملتهم الدراسة وماذا قيس

استخدم الباحثون بيانات من مبادرة التصوير العصبي لمرض ألزهايمر، وهو مشروع طويل المدى يتتبع أشخاصًا يعانون من مشاكل ذاكرة باستخدام اختبارات ومعايير تصوير موحدة. ركزوا على 306 مشاركين سبق وأن شُخصوا بمرض ألزهايمر وأجروا اختبار الذاكرة المسمى الفحص العقلي المصغر (MMSE) في بداية الدراسة ومرة أخرى بعد عام. اعتُبرت هبوط بمقدار ثلاث نقاط أو أكثر في مقياس MMSE خلال 12 شهرًا تراجعًا ذا دلالة. عند البداية، قدّم كل شخص معلومات أساسية مثل العمر والجنس وسنوات التعليم، وأكمل عدة استبانات تفصيلية عن التفكير والقدرة على أداء الأنشطة اليومية، وخضع لفحص بالرنين المغناطيسي للدماغ قاس حجم مناطق رئيسية مرتبطة بالذاكرة.

كيف بُنِيت نماذج الحاسوب

لكشف ما إذا كان بالإمكان التنبؤ بالتدهور قصير الأجل، بنى الفريق وقارن بين نوعين من أدوات التنبؤ. الأول كان معادلة إحصائية بسيطة تستخدم فقط مجموعة محدودة من المقاييس الصالحة للاستخدام السريري: العمر، الجنس، والدرجات في اختبارين قياسيين للتفكير. الثاني كان نموذج تعلّم آلي أكثر مرونة معروف باسم الغابة العشوائية (random forest)، والذي يمكن أن يأخذ في الاعتبار مجموعة كاملة من الدرجات السريرية إلى جانب مقاييس الرنين المغناطيسي مثل حجم الحُصين وحجم الفراغات المملوءة بالسائل في الدماغ. قُسِّمَت البيانات مرارًا إلى مجموعات تدريب واختبار بحيث يُتنبأ بنتيجة كل شخص بواسطة نموذج لم "يرَ" ذلك الشخص من قبل، مُحاكياً كيف قد يعمل الأداة مع مرضى جدد.

مدى دقة النماذج في التنبؤ بالتدهور

شهد نحو 43% من المشاركين تراجعًا ذا دلالة في نقاط MMSE خلال 12 شهرًا. تفوقت الطريقتان على الصدفة في تحديد هؤلاء الأفراد. وصل النموذج السريري البسيط إلى مستوى أداء يُوصَف عادةً بأنه "متوسط" لأدوات التنبؤ الطبية. أدى نموذج الغابة العشوائية أداءً أفضل قليلاً عمومًا، والأهم أنه أظهر "منفعة صافية" أكبر عبر نطاق واسع من عتبات المخاطر العملية. المنفعة الصافية طريقة لموازنة التنبؤات الصحيحة والخاطئة بما يرتبط بعواقب اتخاذ إجراءات على أساسها — على سبيل المثال، قرار من هم المرضى الذين يجب مراقبتهم عن كثب أو النظر في رعايتهم بشكل أكثر كثافة. رغم أن النموذج الأكثر تعقيدًا لم يكن مثاليًا وأظهر بعض إشارات الإفراط في التكيّف مع البيانات، فقد وفر باستمرار إرشادًا أكثر فائدة من الاستراتيجيات التي تفترض أن الجميع سيتدهور أو أن لا أحد سيتدهور.

تحويل الدرجات إلى مخاطر منخفضة ومتوسطة وعالية

لتسهيل استخدام النتائج في العيادات، حول الباحثون مخرجات النموذج إلى ثلاث فئات مخاطرة بسيطة. شكل الأشخاص الذين كانت فرصة تراجعهم المتوقعة أقل من ربع مجموعة المخاطر المنخفضة؛ لم يتراجع سوى نحو واحد من كل ثمانية منهم فعليًا، وكانت درجاتهم المتوسطة في الاختبارات شبه ثابتة بعد عام. كانت لفرقة المخاطر المتوسطة فرصة تقريبية بنحو شخص من كل ثلاثة للتراجع، وخسرت في المتوسط حوالي نقطة ونصف في مقياس MMSE. شهدت فرقة المخاطر العالية، التي كانت فرصتهم المتوقعة أعلى من النصف، تراجعًا في نحو اثنين من كل ثلاثة مرضى وخسارة متوسطة تزيد عن أربع نقاط في MMSE. هذا النمط التصاعدي الواضح يشير إلى أن احتمالات النموذج يمكن تحويلها إلى فئات عملية قد توجه مدى تكرار الزيارات وأي المرضى قد تُعطى الأولوية للتجارب أو الفحوص الإضافية.

ماذا يعني هذا للمرضى والعيادات

تُظهر الدراسة أنه بدمج اختبارات الذاكرة الروتينية مع فحوصات الرنين المغناطيسي القياسية وتحليلها باستخدام أساليب حاسوبية حديثة، يمكن تقدير مخاطر المريض المصاب بألزهايمر على أن يتعرض لتدهور ملحوظ خلال العام التالي بدقة معتدلة. وبينما لا تزال الأداة بحاجة إلى التحقق منها وضبطها في مستشفيات مختلفة وفي مجموعات سكانية أكثر تنوعًا قبل استخدامها في الرعاية اليومية، فإنها تشير إلى مستقبل يمكن فيه تخصيص جداول المتابعة والتسجيل في التجارب حسب مسار كل شخص المحتمل، بدل معاملة جميع المرضى كما لو أن مرضهم سيتقدم بنفس الوتيرة.

الاستشهاد: Geng, Y., Zhang, H. Machine-learning prediction and risk stratification of 12-month cognitive decline in Alzheimer’s disease using routine clinical and MRI data. Sci Rep 16, 12227 (2026). https://doi.org/10.1038/s41598-026-43321-1

الكلمات المفتاحية: مرض ألزهايمر, تراجع إدراكي, التعلّم الآلي, تصوير الدماغ بالرنين المغناطيسي, تصنيف المخاطر