التعلّم الكمّي للتنبؤ بتسرّب الوصل: دراسة سريرية

لماذا تهم هذه الدراسة المرضى والأطباء

يعد تسرّب الوصل من مضاعفات خطيرة قد تحدث بعد إعادة توصيل أمعاء المريض، وقد يؤدي إلى عدوى أو عمليات إضافية أو حتى الوفاة. تطرح هذه الدراسة سؤالاً مهماً في وقت مناسب: هل يمكن لأدوات مستوحاة من الكمبيوتر الكمّي أن تساعد الأطباء على كشف المرضى الأكثر عرضة للخطر بشكل أفضل من الأساليب الإحصائية والتعلّم الآلي التقليدية المتاحة حالياً، باستخدام نفس بيانات المستشفى الصغيرة ولكن المجمعة بعناية؟

فهم مضاعفة جراحية خطيرة

عندما يُستأصل جزء من الأمعاء، يقوم الجراحون بوصْل الأطراف المتبقية في اتصال يُسمى الوصل (anastomosis). إذا فشل هذا الوصل في الالتئام، قد تتسرّب محتويات الأمعاء إلى البطن، مما يسبب التهاباً وتعفناً وتعافياً طويلاً ومحفوفاً بالمخاطر. في المستشفى موضوع الدراسة، حدثت التسريبات لنحو 14 بالمئة من المرضى وكانت مرتبطة بما يصل إلى 40 بالمئة من الوفيات المتعلقة بالجراحة، لذلك قد تُنقذ تحسينات صغيرة في التنبؤ أرواحاً. أبرزت الأبحاث السابقة عوامل خطر مثل السكري والتدخين، وأظهرت أن بعض التقنيات الجراحية وأدوات المراقبة يمكن أن تقلل من احتمال حدوث تسرب.

ما الذي قيّمه الباحثون في مرضى حقيقيين

حلّل الفريق سجلات 200 مريض خضعوا لجراحة القولون والمستقيم بين 2015 و2016، وحدثت تسريبات لدى 28 منهم. بدأوا بـ76 معلومة لكل مريض تغطي خيارات الجراحة والتاريخ الطبي. عبر اختبارات إحصائية مفصّلة ونقاشات مع الجراحين، قلّصوا هذه المجموعة إلى مجموعة أصغر ذات مغزى سريري. برزت أربعة عوامل: ما إذا تم استخدام أنبوب شرجي مرن لتخفيف الضغط (NoCoil)، وما إذا تم الحفاظ على شريان رئيسي يغذي الأمعاء (ACSP)، وما إذا كان المريض مصاباً بالسكري (DM)، وما إذا كان يُدخّن. باستخدام هذه العوامل، بنوا نماذج تنبؤية تقليدية ونماذج شبكة عصبية كمّية على مجموعة البيانات غير المعدّلة والمتوازنة طبيعياً، لمحاكاة ظروف المستشفى الحقيقية.

كيف بُنيت واختُبرت النماذج المستوحاة من الكمّ

الشبكات العصبية الكمّية هي نماذج تعلّم آلي تعمل على دوائر كمّية بدلاً من الكود الكلاسيكي البحت. في هذا العمل تم محاكاتها على حاسوب تقليدي، لكن مع إضافة ضجيج واقعي يحاكي عتاد الكمّ، مثل أخطاء البوابات العشوائية ودقة قياس محدودة. تم تشفير معلومات المريض أولاً في حالات كمّية ثم مرّرت عبر طبقات قابلة للتدريب تحاكي دائرة كمّية صغيرة. اختبر الباحثون تصميمين رئيسيين للدوائر ودمجوها مع عدة استراتيجيات تحسين، بعضها يعتمد على التدرّج وبعضها يعتمد على بحث شبيه بالتطوّر، لمعرفة أي التراكيب تتعلم أفضل من البيانات في ظل ظروف الضجيج.

مقارنة التنبؤات الكمّية والكلاسيكية

كان المقارنة الأساسية عند حساسية 83 بالمئة، مستوى اختير ليعكس أولوية سريرية: تجنّب تفويت المرضى الذين سيطوّرون تسرباً، حتى لو استلزم ذلك قبول مزيد من الإنذارات الكاذبة. مع تثبيت هذه الحساسية، وصلت بعض إعدادات الشبكات العصبية الكمّية، خاصة تلك التي استخدمت دائرة EfficientSU2 مع محسّن BFGS أو دائرة RealAmplitudes مع CMA-ES، إلى خصوصية تصل إلى 66 بالمئة وقيم تنبؤ سلبية تصل إلى 96 بالمئة. النماذج الكلاسيكية، بما في ذلك الانحدار اللوجستي وشبكة متعددة الطبقات المحسّنة، بلغت نحو 44 بالمئة كحد أقصى للخصوصية و94 بالمئة للقيمة التنبؤية السلبية عند نفس الحساسية. هذا يعني أن النماذج المعتمدة على الكمّ أنتجت إنذارات كاذبة أقل بينما ما زالت تلتقط نفس نسبة حالات التسرب الحقيقية.

نقاط القوة والحدود وما يحدث بعد ذلك

بينما كانت الشبكات العصبية الكمّية أفضل في رسم فاصل واضح بين المرضى عاليي وخففي الخطورة، كانت النماذج الكلاسيكية أفضل في معايرة الاحتمالات: نسب المخاطرة المتوقعة لديها طابقت النتائج المرصودة بصورة أوفى. هذا يجعل النهج التقليدية أكثر ملاءمة للتقييم الدقيق للمخاطر، مثلاً عند الموازنة بين خطط علاجية مختلفة. تقتصر الدراسة أيضاً على حجم عينة متواضع وبيانات من مركز واحد، ما قد يجعل أي نموذج يبدو أفضل مما سيكون عليه على مرضى جدد. يؤكد المؤلفون على أن دراسات أكبر متعددة المراكز وتجارب على عتاد كمّي حقيقي مطلوبة قبل أن يمكن الاعتماد على مثل هذه الأدوات في الرعاية الروتينية.

ما يعنيه هذا بعبارات بسيطة

بلغة بسيطة، تُظهر هذه الدراسة أن تعلّم الآلة بطابع كمّي يمكنه، على الأقل في المحاكاة، مساعدة الأطباء على فحص وجود مضاعفة خطيرة بعد جراحة الأمعاء مع تقليل عدد الإنذارات الكاذبة مقارنة بالأساليب القياسية. مع ذلك، تواصل النماذج التقليدية تقديم نسب مخاطر أكثر موثوقية. في الوقت الراهن تبدو الشبكات العصبية الكمّية واعدة كشبكة أمان إضافية للتحذير المبكر، لكنها بحاجة إلى تأكيد في مجموعات مرضى أكبر ودمجها مع تقديرات مخاطر معايرة بوضوح قبل أن توجه مباشرة قرارات العلاج.

الاستشهاد: Novák, V., Zelinka, I., Přibylová, L. et al. Quantum machine learning for predicting anastomotic leak: a clinical study. Sci Rep 16, 15518 (2026). https://doi.org/10.1038/s41598-026-44402-x

الكلمات المفتاحية: تسرّب الوصل, التعلّم الآلي الكمّي, جراحة القولون والمستقيم, التنبؤ بالمخاطر السريرية, الذكاء الاصطناعي الطبي