→ العودة إلى الصفحة الرئيسية

تعليم الذكاء الاصطناعي متى يمتنع عن الإجابة: NetraAI يبحث عن مجموعات فرعية من المرضى في البيانات السريرية

تشير دراسة استعادية شملت ثلاث فئات من الأمراض إلى أن تحديد عدد قليل من المتغيرات الرئيسية أولًا يمكن أن يحسّن الأداء التنبؤي للنماذج القائمة. لكن النظام يصنّف بعض المرضى فقط، ولا تزال النتائج اللافتة بحاجة إلى التحقق قبل استخدامها فعليًا في اختيار الأدوية.

By SURL BioNews

قد يستجيب المصابون بالمرض نفسه للعلاج بطرق مختلفة تمامًا؛ وعند إدراج الجميع في تحليل واحد، قد تضيع مؤشرات مهمة تخص قلة منهم. يحاول نظام NetraAI، الذي طوّرته NetraMark، تحديد مجموعات فرعية من المرضى ذوي السمات المشتركة انطلاقًا من البيانات السريرية، والامتناع عن الإجابة عندما تكون الأدلة غير كافية. وتقدّم دراسة استعادية نُشرت حديثًا دعمًا أوليًا لهذه الاستراتيجية التحليلية، وتكشف أيضًا حدود تطبيقها.

نُشرت الورقة البحثية المحكّمة في 4 سبتمبر 2026 في مجلة «AI» التابعة لـMDPI، وأعلنت NetraMark عنها في 10 سبتمبر وأدرجت الدراسة في قائمة منشوراتها. استخدمت الدراسة ثلاث مجموعات من البيانات القائمة: CATIE للفصام، وCAN-BIND للاكتئاب، وCOMPASS لسرطان البنكرياس. وتتناول هذه البيانات، على الترتيب، مقارنة الأدوية المضادة للذهان، والاستجابة للعلاج بمضاد الاكتئاب escitalopram، والعلاقة بين أنظمة العلاج الكيميائي المختلفة والاستجابة لها.

تتمثل مهمة NetraAI في البحث عن توليفات موجزة من المتغيرات تصف مجموعات محددة من المرضى، ثم إتاحة هذه المؤشرات لنماذج أخرى كي تستخدمها. وعندما يواجه النظام حالات يتعذر تصنيفها بثبات، يمكنه إرجاع النتيجة «No Call»، أي الامتناع عن إصدار حكم. ويتيح هذا التصميم للباحثين التمييز بين السمات التي قد تحمل معلومات مفيدة، والمرضى الذين تنطبق عليهم هذه المعلومات.

شدّد إعلان الشركة على أن الطرق الثماني التي خضعت للاختبار حققت جميعها تحسنًا في الأداء التنبؤي عبر مجموعات البيانات الثلاث بعد استخدام المتغيرات التي حددها NetraAI. وتوضح الورقة أن هذه النتيجة جاءت من تقييم داخلي: فعند الإبقاء على جميع المرضى دون استبعاد الحالات التي يصعب تصنيفها، ارتفع النطاق الإجمالي لمؤشر قدرة النماذج على التمييز AUC من 0.46 إلى 0.62 عند تحليل المتغيرات الأصلية، إلى 0.54 إلى 0.78. ويدعم ذلك فائدة انتقاء المتغيرات، لكنه لا يتيح بعد الاستنتاج بأنه يمكن أن يرفع معدل نجاح تجارب جديدة.

وعند قصر التحليل الإضافي على المجموعات الفرعية التي يستطيع النظام تصنيفها بثبات، اختلف الأثر بحسب البيانات. فقد تحسنت الطرق الثماني جميعها مرة أخرى في بيانات الاكتئاب وسرطان البنكرياس، بينما تحسنت طريقة واحدة فقط في بيانات الفصام. وبلغت نسبة المرضى الذين استطاع النظام تصنيفهم فعليًا نحو 27.7% إلى 40.4% من إجمالي كل مجموعة؛ لذلك، عند قراءة درجات الأداء المرتفعة في المجموعات الفرعية، يجب أيضًا مراعاة أن معظم المرضى لم يحصلوا على تصنيف.

كان تحليل سرطان البنكرياس لافتًا بصورة خاصة. فبحسب إعلان الشركة، اختزل NetraAI نحو 25,000 متغير جينومي إلى توليفة من ثلاثة متغيرات؛ ووصفتها الورقة بأنها ثلاثة متغيرات أحادية النوكليوتيد ترتبط بترتيب الاستجابة المرتبطة بأنظمة العلاج الكيميائي لدى المرضى القابلين للتصنيف. لكن بيانات COMPASS رصدية، ولا يمكن لهذه العلاقة أن تثبت مباشرة أي علاج أكثر فعالية لمريض معين. وتصف الشركة والورقة كلتاهما هذه النتائج بأنها استكشافية وتحتاج إلى تحقق خارجي.

أُنجزت الدراسة بمشاركة فريق NetraMark، ويتمثل استخدامها في المرحلة الحالية في طرح فرضيات قابلة للاختبار بشأن تقسيم المرضى إلى مجموعات. وإذا أُريد الاستناد إليها لتحديد من سيُدرج في التجربة المقبلة، أو حتى للمساعدة في اختيار الأدوية سريريًا، فلا بد من التأكد، باستخدام بيانات مستقلة ودراسات مخطط لها مسبقًا، من إمكانية تكرار هذه السمات، وتقييم وضع المرضى الذين لم يحصلوا على تصنيف. ويتمثل الاختبار الحقيقي في معرفة ما إذا كانت هذه المؤشرات المستخلصة من بيانات قديمة ستظل صالحة لدى الدفعة التالية من المرضى.

References

  1. The Manila Times
  2. NetraMark
  3. NetraMark Holdings Inc. via GlobeNewswire / MarketScreener