→ العودة إلى الصفحة الرئيسية

إمكان تحليل الاستبيانات حتى مع إجابات ناقصة: Quest2Dx يستكشف فحص مرض باركنسون عبر التحقق باستخدام بيانات مختلفة

استخلاص مؤشرات المرض من مئات الأسئلة والأجوبة الصحية لا يعتمد فقط على القدرة على التمييز، بل أيضاً على استمرار الموثوقية عند الانتقال إلى استبيان آخر. يُظهر النموذج الجديد قدرة على تحليل استبيانات مختلفة، لكن إثبات قدرته على اكتشاف المرضى مبكراً في العيادات لا يزال يتطلب مزيداً من التحقق.

By SURL BioNews

قد يترك استبيان صحي مؤشرات تستدعي مزيداً من الفحوص، وقد تضيع هذه المعلومات وسط كثرة الأسئلة ونقص الإجابات. طرح فريق بحثي من معهد رينسيلار للفنون التطبيقية (RPI) في الولايات المتحدة نموذج الذكاء الاصطناعي Quest2Dx، في محاولة لرصد إشارات مرتبطة بمرض باركنسون من استبيانات يملؤها المشاركون بأنفسهم، أملاً في توفير وسيلة أسهل استخداماً للفحص الأولي في الرعاية الصحية الأولية.

ركزت الدراسة، المنشورة في 4 نوفمبر في مجلة Nature Aging، على عقبتين عمليتين في تحليل الاستبيانات: تخطي المشاركين بعض الأسئلة، واستخدام استطلاعات مختلفة صياغات متباينة للسؤال عن أمور متقاربة. يستخدم Quest2Dx النمذجة اللغوية لترميز معاني الأسئلة والأجوبة، بما يتيح للنموذج التعامل مع الإجابات المفقودة ونقل المعلومات التي تعلمها من استبيان إلى آخر.

استخدمت الدراسة مجموعتي بيانات، هما مبادرة مؤشرات تقدم مرض باركنسون (PPMI Online) وFox Insight. ووفقاً لإعلان RPI وتقرير عن الدراسة نفسها نشره Medical Xpress، يضم الاستبيانان 187 سؤالاً وأكثر من 300 سؤال، على التوالي؛ وقد درّب الفريق النموذج باستخدام بيانات PPMI، وأجرى التحقق الخارجي باستخدام Fox Insight. يتيح هذا الاختبار فحص قدرة النموذج على التكيف مع استبيانات مختلفة بصورة أفضل من الاكتفاء بتقسيم بيانات المصدر نفسه إلى مجموعتي تدريب واختبار.

وميّز ملخص الورقة البحثية أيضاً بين نوعين من التقييم: بلغت المساحة تحت منحنى خصائص تشغيل المستقبِل (AUROC) للنموذج داخل كل مجموعة بيانات 0.977 و0.974، على التوالي؛ وعند نقله من PPMI Online إلى Fox Insight بلغت 0.920، فيما بلغت 0.952 عند النقل في الاتجاه المعاكس. يقيس AUROC قدرة النموذج على التمييز بين مجموعتين من الأشخاص، ولا يمكن تفسيره مباشرة على أنه نسبة الإجابات الصحيحة، كما لا يعني أنه ثبتت قدرته على التنبؤ بظهور المرض قبل ظهور الأعراض.

تؤثر إمكانية اختصار الاستبيان أيضاً في قابليته للاستخدام في العيادات. اختار الفريق البحثي 30 سؤالاً لتكوين نسخة مختصرة، استناداً إلى القيمة المعلوماتية التي حددها النموذج، وكان أداؤها قريباً من أداء الاستبيان الكامل. ويمكن للنموذج أيضاً إبراز مجموعات الأسئلة والأجوبة الأكثر قدرة على التمييز لدى كل مشارك، مما يتيح فحص الأساس الذي يستند إليه التحليل، بدلاً من الاكتفاء بإخراج درجة رقمية.

تشمل هذه المؤشرات صعوبات في الأنشطة اليومية، مثل النهوض من السرير وتناول الطعام، إلى جانب معلومات عن النوم والقلق والتعرض للمذيبات الصناعية. لكن هذه المظاهر قد تظهر أيضاً في أمراض أخرى أو ظروف حياتية مختلفة؛ واعتبار النموذج إجابة معينة مفيدة للتصنيف لا يعني أنها تكفي وحدها لتأكيد التشخيص، ولا يتيح استنتاج علاقة سببية على أساسها. والسؤال الذي يتعين على هذا النوع من الأدوات الإجابة عنه هو كيف تتضافر معلومات متعددة لتشكيل إشارة إلى الخطر.

أظهرت الدراسة تفوق Quest2Dx على عدة طرق مقارنة، بما فيها طرق تستند إلى Llama 2، لكنه لا يزال يصدر نتائج إيجابية خاطئة ويفوّت بعض الحالات. تدعم الأدلة الحالية إمكاناته للفحص ضمن بيانات الدراسة. أما استخدامه في العيادات العامة، فلا يزال يتطلب في الخطوة التالية التحقق مما إذا كان يستطيع توجيه التقييم اللاحق على نحو ملائم لدى مراجعين لم يُشخَّصوا بعد وتختلط لديهم الأعراض، وما إذا كانت الزيادة في الإحالات والفحوص تحقق فائدة فعلية.

References

  1. Rensselaer Polytechnic Institute
  2. Medical Xpress (provided by Rensselaer Polytechnic Institute)