دوره ۲۹، شماره ۴ • دسامبر ۲۰۲۵.
نوسانات حرکتی (MF) یک عارضه شایع و پیچیده در بیماری پارکینسون (PD) است که توسط عوامل بالینی، ژنتیکی و سبک زندگی شکل میگیرد. پیشبینی شروع آنها به دلیل تنوع بین فردی و تفاوتهای سیستماتیک در گروههای بیمار، به ویژه چالش برانگیز است. مطالعه "یادگیری ماشینی قابل تفسیر برای پیشبینی نوسانات حرکتی در بیماری پارکینسون در گروههای مختلف" با استفاده از تکنیکهای یادگیری ماشینی قابل تفسیر (ML) بر روی دادههای سه گروه PD شناخته شده (LuxPARK، PPMI، ICEBERG) به این چالشها میپردازد.
یکی از ویژگیهای کلیدی این کار، طراحی بین گروهی آن است که پیشبینیکنندهها را در مجموعه دادههای مستقل ارزیابی میکند تا از قوی و قابل تعمیم بودن نتایج اطمینان حاصل شود. اکثر مطالعات قبلی بر گروههای تکی با حجم نمونه کمتر متکی بودند که خطر بیشبرازش و تعمیمپذیری محدود را افزایش میدهد. در مقابل، این مطالعه گروههای چندگانه را در مدلهای پیشبینی یکپارچه ادغام میکند و اعتبارسنجی حذف یک گروه را اعمال میکند و پایه قویتری برای شناسایی پیشبینیکنندههای قابل اعتماد MF فراهم میکند.
استفاده از مدلهای یادگیری ماشینی قابل تفسیر، جنبه جدید دیگری است. این مدلها به جای تکیه بر الگوریتمهای غیرقابل تفسیر «جعبه سیاه»، نحوه ارتباط متغیرهای منفرد با MF را برجسته میکنند. برای اطمینان از نتایج قوی و قابل تعمیم در بین گروههای مختلف، رویکردهای یادگیری ماشینی متعددی اعمال و مقایسه شدند، از جمله الگوریتمهای مبتنی بر درخت برای طبقهبندی و تحلیلهای زمان تا رویداد با ادغام با چندین رویکرد نرمالسازی بین گروههای مختلف.
از طریق این ارزیابی مقایسهای، مدلهایی شناسایی شدند که پیشبینی قابل اعتمادی از MF ارائه میدادند و در عین حال رتبهبندیهای پیشبینیکننده قابل تفسیر و قوی ارائه میدادند که با فراوانی انتخاب ویژگی در چرخههای اعتبارسنجی متقابل، کمیسازی میشدند. مجموعه گستردهای از پیشبینیکنندهها، از جمله ارزیابی علائم حرکتی و غیرحرکتی، ویژگیهای بالینی و عوامل ژنتیکی مانند GBA و LRRK2، مورد بررسی قرار گرفتند. رتبهبندی ویژگیهای سازگار در اعتبارسنجی متقابل، این اطمینان را تقویت کرد که پیشبینیکنندههای شناساییشده پایدار هستند و مصنوعات خاص گروه خاصی نیستند. با مقایسه الگوریتمهای متعدد، اعتبارسنجی متقابل گروهها و تأکید بر تفسیرپذیری، این رویکرد چارچوب دقیقی برای کشف عوامل کلیدی خطر MF در PD فراهم میکند و نشان میدهد که چگونه یادگیری ماشین میتواند بینشهای عملی و قابل تعمیمی فراتر از تحلیلهای مرسوم ارائه دهد.
یکی از قابل توجهترین یافتهها مربوط به داروی رایج مورد استفاده در درمان پارکینسون، لوودوپا، است. اگرچه مصرف لوودوپا مدتهاست که به عنوان یک عامل کلیدی در ایجاد MF در نظر گرفته میشود، مدلهای چند متغیره بین گروهی نشان دادند که ارزش پیشبینیکننده آن پس از در نظر گرفتن نشانگرهای مرتبط با پیشرفت بیماری مانند مدت زمان بیماری، شدت و مرحله Hoehn & Yahr (H&Y) معنیدار نیست. این نشان میدهد که ارتباط بین لوودوپا و MF ممکن است مستقل نباشد، بلکه نشاندهنده همبستگی قوی آن با پیشرفت بیماری است. نکته قابل توجه این است که یک کارآزمایی بالینی اخیر به طور مشابه نشان داد که MF ارتباط نزدیکی با پیشرفت بیماری دارد تا خودِ مواجهه با لوودوپا. چنین بینشهایی، کاربرد مدلسازی چند متغیره را برای آشکار کردن ارتباطات پیچیده بین عوامل بالینی نشان میدهد.
علاوه بر پیشبینیکنندههای بالینی، عوامل ژنتیکی نیز بینشهای مهمی در مورد خطر ابتلا به MF ارائه دادند. تجزیه و تحلیلهای همگروهی متقابل نشان داد که جهشهای بیماریزای GBA با خطر بالاتر ابتلا به MF مرتبط هستند که نشاندهنده پیشرفت تهاجمیتر بیماری در این ناقلین است. جهشهای LRRK2 نیز با MF مرتبط بودند، هرچند با نسبت خطر کمتر. هر دو نوع GBA و LRRK2 با دیسکینزی، یک عارضه شایع پارکینسون مرتبط با MF، مرتبط بودهاند که تأثیر چندوجهی انواع ژنتیکی، پیشرفت بیماری و شدت علائم را برجسته میکند. این یافتهها بر ارزش گنجاندن دادههای ژنتیکی در مدلهای پیشبینی تأکید میکنند و نشان میدهند که چگونه تجزیه و تحلیل همگروهی متقابل میتواند پیشبینیکنندههای قابل تعمیم و از نظر بالینی معنادار را آشکار کند.
فراتر از پیشبینی، این مدلها میتوانند به طراحی کارآزمایی بالینی و مدیریت بیمار کمک کنند. آنها میتوانند انتخاب شرکتکنندگان مبتنی بر ریسک را هدایت کنند، برنامههای پیگیری را اصلاح کنند و از مداخلات اولیه با هدف به تأخیر انداختن شروع MF پشتیبانی کنند. در مجموع، این مطالعه با ادغام پیشبینیکنندههای متنوع در مدلهای اعتبارسنجیشده بین گروهی، یک چارچوب کمی و قابل تعمیم برای پیشبینی MF در پارکینسون ارائه میدهد که میتواند به عنوان الگویی برای مطالعه سایر پیامدها و شرایط بیماری نیز عمل کند. تحقیقات پیگیری باید مدلهای پیشبینی را در گروههای متنوعتر، بهینهسازی و اعتبارسنجی کند تا ارزش طراحی آنها برای کارآزماییهای بالینی دقیق آینده افزایش یابد.
ادامه مطلب حرکت همراه: