نموذج شجرة قرار قائم على تعلم آلي قابل للتفسير لتوقع أمراض الشعب الهوائية الانسدادية في مجموعة كبيرة من غير المدخنين الخاضعين لفحوصات صحية

لماذا تهم مشاكل الرئة الخفية

يعتقد كثير من الناس أن أمراض الرئة الخطيرة تهدد بالأساس المدخنين لسنوات طويلة. ومع ذلك، يعاني عدد غير متوقع من غير المدخنين من مشاكل تنفسية تتطور بهدوء ولا تُلاحظ حتى تصبح خطيرة. طرحت هذه الدراسة سؤالاً عملياً: هل يمكننا استخدام بيانات الفحوصات الصحية الروتينية — مثل العمر وضغط الدم والاختبارات الدموية الشائعة — لرصد البالغين غير المدخنين الذين قد تكون رئتاهم تعاني منذ وقت طويل، قبل أن يشعروا بضيق التنفس؟ كما أراد الباحثون أن تكون التنبؤات سهلة الفهم للأطباء، وليست صندوقاً أسود غامضاً.

البحث عن علامات تحذيرية في الفحوصات الروتينية

حلل الفريق سجلات برنامج فحص صحي ضخم في تايوان تابع أكثر من نصف مليون بالغ. من هذه المجموعة الكبيرة، ركزوا على 81,055 شخصاً لم يدخنوا قط وكان لديهم بيانات كاملة من الفحص البدني والاختبارات المخبرية واختبارات وظائف الرئة. قيس أداء الرئة باستخدام اختبار تنفسي قياسي يقارن كمية الهواء التي يمكن للشخص زفيرها في ثانية واحدة بإجمالي النفس. عندما تنخفض هذه النسبة تحت حد معين، فإن ذلك يشير إلى انسداد المجاري الهوائية، وهو علامة مميزة لحالات مثل الربو ومرض الانسداد الرئوي المزمن (COPD).

تعليم الحواسيب لتمييز الرئات المعرضة للخطر

بدلاً من الاعتماد على طريقة حاسوبية واحدة، جمع الباحثون ست طرق تعلم آلي معروفة تُستخدم غالباً في التنبؤ الطبي. شملت هذه الطرق شجرات القرار وعدداً من الأساليب المشتقة التي تبني مجموعات كبيرة من الأشجار لتحسين الدقة. دربت كل طريقة لتمييز الأشخاص ذوي اختبارات التنفس الطبيعية عن أولئك الذين يظهر عليهم انسداد المجاري الهوائية، باستخدام 25 معلومة شائعة مثل العمر والطول والوزن وضغط الدم والمستوى التعليمي وقياسات دم روتينية. للحفاظ على موثوقية النتائج، قسم الفريق البيانات مراراً إلى مجموعات تدريب واختبار، ومعادل الحالات الإيجابية النادرة مع الحالات السلبية الأكثر شيوعاً، وتحقق من أداء كل نموذج.

استخراج الميزات الأكثر دلالة

أدىت النماذج الحاسوبية الستة أداءً جيداً إلى حد معقول، محققة درجات متقاربة عند الحكم على مدى قدرتها على فصل الأشخاص ذوي المجاري الهوائية المسدودة عن غيرهم. لكن الهدف الحقيقي كان تحديد أي ميزات فحص صحي لها الأهمية، ثم تحويل تلك المعرفة إلى قواعد بسيطة يمكن للأطباء اتباعها. لذلك قام الباحثون بترتيب أهمية كل ميزة في كل نموذج، ثم متوسطوا هذه الترتيبات. برز العمر باستمرار في المقدمة عبر الطرق المختلفة. كما ثبت أن مقاييس البنية الجسدية — مثل الطول والوزن — مهمة، إلى جانب ضغط الدم وعدة اختبارات مخبرية روتينية. أحد هذه الاختبارات، إنزيم لاكتات ديهيدروجيناز (LDH)، هو مؤشر عام لإجهاد الأنسجة في الجسم وظهر أنه يحمل معلومات مفيدة عن صحة الرئة حتى عند الأخذ بعين الاعتبار اختبارات الدم الأخرى.

من نماذج معقدة إلى قواعد قرار بسيطة

بعد تحديد أقوى المتنبئات، بنى الفريق شجرة قرار واحدة سهلة القراءة استخدمت فقط أفضل 30 بالمئة من الميزات. أدت هذه النسخة الأبسط بشكل يقارب أداء النماذج التي استخدمت جميع المتغيرات الـ25، لكن بهيكل يمكن للسريريين فحصه بصرياً. تبدأ الشجرة بالعمر في القمة، ثم تتفرع استناداً إلى عوامل مثل الطول ومستويات LDH ووزن الجسم والمستوى التعليمي. يؤدي تتبع كل فرع إلى مجموعات "أوراق" لها احتمالات أعلى أو أقل لانسداد المجاري الهوائية. على سبيل المثال، شكل البالغون الأكبر سناً فوق عمر معين، أو البالغون الأصغر لكن الأقصر طولاً مع أنماط مخبرية معينة، مجموعات كان فيها انسداد المجاري الهوائية أكثر شيوعاً. يؤكد المؤلفون أن بعض هذه العلامات، لا سيما LDH، ليست محددة للرئتين على وجه الخصوص ومن المرجح أن تعكس الحالة الصحية العامة بدلاً من تلف رئوي مباشر.

ما الذي يعنيه هذا للفحوصات الصحية اليومية

تُظهر الدراسة أنه من الممكن تحويل بيانات الفحص الصحي الروتينية إلى مجموعة قابلة للتفسير من القواعد التي تبرز غير المدخنين الذين قد يحتاجون إلى تقييم رئوي أوضح، مثل اختبارات التنفس الكاملة أو إحالة إلى أخصائي. لا يهدف النموذج إلى استبدال اختبارات وظائف الرئة أو تقديم تشخيص قاطع، بل ليعمل كمساعد ذكي لفرز المرضى يساعد الأطباء على ملاحظة الأفراد المعرضين للخطر والذين قد يُغفلون بخلاف ذلك. وبما أن النهج يعتمد على قياسات شائعة ويعطي أولوية لمسارات قرار واضحة خطوة بخطوة، فيمكن تكييفه لبيئات الفحص الواقعية. ستحتاج الأعمال المستقبلية إلى تأكيد هذه النتائج عبر الزمن وفي مجموعات سكانية أكثر تنوعاً، لكن هذا البحث يقدم مثالاً واعداً عن كيف يمكن للذكاء الاصطناعي الشفاف دعم الكشف المبكر عن مشاكل رئوية صامتة.

الاستشهاد: Chang, CY., Shen, HS., Kuo, YL. et al. Interpretable machine learning based decision tree model for predicting obstructive airway disease in a large non-smoking health screening population. Sci Rep 16, 12807 (2026). https://doi.org/10.1038/s41598-026-43633-2

الكلمات المفتاحية: أمراض الشعب الهوائية الانسدادية, صحة رئتي غير المدخنين, تعلم آلي قابل للتفسير, فحص بشجرة القرار, بيانات الفحص الصحي