هوش مصنوعی برای ارزیابی علائم و تحلیل پیامدهای گزارش‌شده از سوی بیماران در نوروانکولوژی
یک مرور روایتی درباره هوش مصنوعی و پیامدهای گزارش‌شده از سوی بیماران در حوزه نوروانکولوژی نتیجه می‌گیرد که یادگیری ماشین و مدل‌های زبانی بزرگ می‌توانند به شناسایی علائم، مدل‌سازی تغییرات وضعیت بیماران در طول زمان و پشتیبانی از تصمیم‌گیری‌های بالینی برای مبتلایان به تومورهای مغزی کمک کنند؛ بااین‌حال، شواهد مربوط به فواید بالینی این فناوری‌ها همچنان محدود است. در این مرور، ۵۳ مقاله واجد شرایط بررسی شد که از طریق جست‌وجو در پایگاه‌های PubMed/MEDLINE، Embase و Google Scholar انتخاب شده بودند. جست‌وجو شامل پژوهش‌های انگلیسی‌زبان منتشرشده از ژانویه ۲۰۱۵ تا آوریل ۲۰۲۶ بود و بررسی فهرست منابع مقالات نیز برای یافتن مطالعات بیشتر انجام شد. تمرکز این بررسی بر ارزیابی علائم و پیامدهای گزارش‌شده از سوی بیماران در مراحل مختلف مراقبت بود، نه کاربردهای هوش مصنوعی در تصویربرداری، آسیب‌شناسی یا ژنومیک.
بیشتر مطالعات نوروانکولوژی، عملکرد فنی، امکان‌پذیری، تحلیل‌های گذشته‌نگر یا برنامه‌های پژوهشی آینده را توصیف کرده بودند و شواهد اندکی از بهبود واقعی پیامدهای بیماران ارائه می‌دادند. پیامدهای گزارش‌شده از سوی بیمار، یا PRO، اطلاعاتی درباره علائم، توانایی‌های عملکردی و کیفیت زندگی است که مستقیماً از خود بیمار دریافت می‌شود و تفسیر پزشک در شکل‌گیری آن دخالت ندارد. این مرور، درد، دشواری در برقراری ارتباط، وضعیت شناختی از دید بیمار، تشنج، عوارض ناخواسته علامت‌دار، عملکرد جسمی و توانایی انجام نقش‌های روزمره را از حوزه‌های مهم برای مراقبت بالینی و کارآزمایی‌های مربوط به گلیوم درجه‌بالا معرفی می‌کند.
ابزارهای ارزیابی مبتنی بر نظر پزشک، از جمله مقیاس عملکرد کارنوفسکی، امتیاز عملکرد عصبی و معیارهای اصطلاح‌شناسی مشترک برای عوارض ناخواسته، همچنان جایگاه مهمی در نوروانکولوژی دارند. در همین حال، آزمون کوتاه وضعیت ذهنی و ارزیابی شناختی مونترال برای غربالگری شناختی مبتنی بر عملکرد به کار می‌روند. این ابزارها مکمل پیامدهای گزارش‌شده از سوی بیمار هستند و جایگزین آن‌ها نمی‌شوند. مطالعاتی که در این مرور به آن‌ها استناد شده است، نشان می‌دهند پزشکان ممکن است فراوانی و شدت علائم را کمتر از میزان واقعی برآورد کنند؛ در مقابل، اختلال شناختی، آفازی یا زبان‌پریشی و کاهش آگاهی بیمار از وضعیت خود می‌تواند توانایی او را برای گزارش دقیق علائم محدود کند.
گزارش‌های مراقبان نیز می‌توانند اطلاعات مفیدی فراهم کنند، اما تفسیر این اطلاعات پیچیدگی‌های بیشتری به همراه دارد. بنابراین، کیفیت داده‌های گزارش‌شده از سوی بیمار، محدوده توانایی یادگیری سامانه‌های هوش مصنوعی را تعیین می‌کند. پاسخ‌های ثبت‌نشده، سوگیری انتخاب نمونه، ناهماهنگی در زمان ارزیابی و اختلاف میان گزارش بیمار و پزشک می‌توانند روند تغییر علائم، برآورد اثر درمان و پیش‌بینی‌های مدل را مخدوش کنند.
با افزایش دشواری پاسخ‌گویی به پرسش‌نامه‌ها، وخامت وضعیت بالینی و موانع اجرایی، میزان تکمیل این ابزارها معمولاً کاهش می‌یابد. در یک کارآزمایی فاز سوم درباره پرتودرمانی پیشگیرانه جمجمه در بیماران مبتلا به سرطان ریه سلول کوچک در مرحله گسترده، در پایان ماه دوازدهم کمتر از نیمی از فرم‌های کیفیت زندگی مورد انتظار بازگردانده شد. ریزش شرکت‌کنندگان از مطالعه به‌ویژه اهمیت دارد، زیرا بیمارانی که وضعیتشان رو به وخامت است، احتمال بیشتری دارد که پاسخ‌گویی را متوقف کنند. این مسئله می‌تواند توان آماری مطالعه را کاهش دهد و نتایج را به سمت سوگیری سوق دهد.
این مرور اشاره می‌کند که تعیین برنامه‌های استاندارد ارزیابی، جمع‌آوری الکترونیکی داده‌ها، ارسال یادآوری، آموزش کارکنان، پایش میزان مشارکت و استفاده از روش‌های مناسب برای مدیریت داده‌های مفقود می‌تواند کیفیت داده‌ها را بهبود دهد. بااین‌حال، اجرای هر یک از این راهکارها باید با تفاوت‌های وضعیت عصبی بیماران، توانایی ارتباطی و میزان دسترسی آنان سازگار باشد. قوی‌ترین شواهد درباره بهبود پیامدها از طریق پایش مکرر علائم، به حوزه‌هایی خارج از نوروانکولوژی مربوط است. در یک کارآزمایی تصادفی تک‌مرکزی با مشارکت ۷۶۶ بیمار که برای سرطان‌های متاستاتیک شیمی‌درمانی دریافت می‌کردند، پایش الکترونیکی پیامدهای گزارش‌شده از سوی بیماران همراه با هشدارهای خودکار به پرستاران، تعداد مراجعات به اورژانس را کاهش داد، مدت ادامه شیمی‌درمانی را افزایش داد و بقای یک‌ساله را بهبود بخشید.
کارآزمایی تصادفی خوشه‌ای PRO-TECT که در ۵۲ مرکز درمانی و با مشارکت ۱۱۹۱ بیمار انجام شد، گزارش داد که پرسش‌نامه‌های الکترونیکی هفتگی بیماران، در محیط‌های متنوع انکولوژی اجتماعی، طی سه ماه به بهبود عملکرد جسمی، کنترل علائم و کیفیت زندگی مرتبط با سلامت منجر شد. بااین‌حال، شواهد مربوط به تومورهای مغزی عمدتاً به بررسی امکان‌پذیری محدود مانده است. در یک مطالعه آزمایشی درباره اپلیکیشن تلفن هوشمند برای بیماران مبتلا به گلیوبلاستوما، مشخص شد که ثبت طولی پیامدهای سلامت می‌تواند شامل اطلاعاتی باشد که مراقبان به نمایندگی از بیماران وارد می‌کنند. همچنین، مطالعه‌ای جداگانه با مشارکت ۴۳ بیمار مبتلا به گلیوبلاستوما نشان داد که ارزیابی‌های الکترونیکی مبتنی بر ابزارهای PROMIS و EORTC را می‌توان در محیط بالینی تکمیل کرد.
این مطالعات امکان اجرای چنین رویکردهایی را نشان می‌دهند، اما هنوز فواید بالینی گزارش‌شده در انکولوژی عمومی را اثبات نمی‌کنند. یادگیری ماشین کلاسیک راهی برای تحلیل مجموعه‌داده‌های بزرگ، ناهمگون و طولیِ پیامدهای گزارش‌شده از سوی بیماران فراهم می‌کند؛ در این روش، سامانه به‌جای پیروی از مجموعه‌ای ثابت از قواعد، الگوها را از داده‌ها می‌آموزد. در پژوهش‌های اولیه‌ای که کیفیت زندگی مرتبط با سلامت را پس از جراحی تومورهای مغزی درجه‌پایین پیش‌بینی می‌کردند، از ماشین بردار پشتیبان و جنگل تصادفی استفاده شد. این دسته‌بندها برای بیشتر پیامدهای مرتبط با علائم، با تکیه بر داده‌های معمول پیش و پس از عمل، به سطح زیر منحنی بیش از ۰٫۹۰ دست یافتند.
یک مرور نظام‌مند درباره روش‌های یادگیری ماشین برای پیش‌بینی علائم سرطان نشان داد که مدل‌سازی زمانی و طولی کمتر مورد توجه قرار گرفته و مطالعات نوروانکولوژی در این حوزه غایب بوده‌اند. پردازش زبان طبیعی می‌تواند اطلاعات ساختاریافته را از یادداشت‌های بالینی متنی استخراج کند؛ این یادداشت‌ها بخش بزرگی از پرونده پزشکی را تشکیل می‌دهند که ظرفیت آن هنوز تا حد زیادی استفاده نشده است. بااین‌حال، کاربردهای اختصاصی این فناوری در نوروانکولوژی محدود مانده‌اند. بسیاری از این سامانه‌ها همچنین به تدوین دستی قواعد گسترده و تخصص حوزه‌ای نیاز دارند؛ عواملی که می‌توانند سازگاری آن‌ها را با محیط‌های درمانی مختلف کاهش دهند.
مدل‌های زبانی بزرگ ممکن است دامنه داده‌های قابل پردازش را گسترش دهند. در تحلیلی از ۵۱۵۴۱ یادداشت بالینی نوروانکولوژی استخراج‌شده از یک پرونده الکترونیکی سلامت، مدل GPT-4o توانست ۹ حوزه علائم را با میانگین حساسیت و ویژگی ۰٫۹۷ استخراج کند. این مدل به‌طور میانگین ۳٫۹۲ علامت را در هر یادداشت شناسایی کرد و میزان شیوع علائم گزارش‌شده در این تحلیل به‌مراتب بیشتر از مقادیر ثبت‌شده در کارآزمایی‌های بالینی مشابه بود.
بیمارانی که مهارکننده‌های وارسی ایمنی را دریافت می‌کردند، بیشترین بار علائم را داشتند. این یافته نشان می‌دهد استخراج خودکار اطلاعات می‌تواند مشاهدات تفکیک‌شده بر اساس نوع درمان فراهم کند و در کنار ابزارهای آینده‌نگر ثبت پیامدهای گزارش‌شده از سوی بیمار به کار رود. بااین‌حال، این تحلیل ثابت نکرد که علائم استخراج‌شده می‌توانند وخامت وضعیت بیماران مبتلا به تومورهای اولیه مغزی را پیش از وقوع تشخیص دهند یا جایگزین گزارش مستقیم بیماران شوند. این تمایز اساسی است: پیامد گزارش‌شده از سوی بیمار مستقیماً از خود او به دست می‌آید، درحالی‌که تفسیری که یک مدل زبانی بزرگ تولید می‌کند، معیاری حاصل از هوش مصنوعی است و باید جداگانه برچسب‌گذاری و ارزیابی شود.
ارزیابی‌های گسترده‌تر از مدل‌های پیش‌بینی پیامدهای گزارش‌شده از سوی بیماران، ضعف‌هایی را در اعتبارسنجی و پیاده‌سازی این مدل‌ها نشان می‌دهند. یک مرور نظام‌مند در سال ۲۰۲۴ که ۵۲ مطالعه انکولوژی را بررسی کرد، نشان داد کمتر از ۸ درصد مدل‌ها اعتبارسنجی خارجی شده بودند و کمتر از ۶ درصد کد قابل بازتولید خود را به اشتراک گذاشته بودند؛ این در حالی بود که شمار مقالات یادگیری ماشین مبتنی بر داده‌های پیامدهای گزارش‌شده از سوی بیماران، بین سال‌های ۲۰۱۱ تا ۲۰۲۱ حدود ۲۰ برابر افزایش یافته بود. در یک مرور دامنه‌ای جداگانه در سال ۲۰۲۵، از میان ۹۴ مطالعه‌ای که از داده‌های PROM برای پیش‌بینی پیامدها در حوزه‌های مختلف بالینی استفاده کرده بودند، تنها ۱۰ مورد اعتبارسنجی خارجی داشتند و فقط سه مطالعه به مرحله پیاده‌سازی رسیده بودند.
این مرور همچنین به نبود رویه‌ای یکسان برای مدیریت داده‌های مفقود و مشارکت محدود بیماران یا پزشکان در طراحی مدل‌ها اشاره کرد. از آنجا که دامنه این دو مرور با یکدیگر متفاوت بود، نمی‌توان نتایج آن‌ها را شواهدی از یک روند زمانی مستقیم دانست. بااین‌حال، هر دو نشان می‌دهند که عملکرد تحلیلی مدل‌ها اغلب بدون تکرار و ارزیابی در محیط‌های مستقل بررسی شده است.
نوروانکولوژی با محدودیت‌های بیشتری روبه‌روست که از ناهمگونی بیماری، حجم نسبتاً کم نمونه‌ها و علائمی ناشی می‌شوند که ممکن است بیمار قادر به گزارش آن‌ها نباشد؛ از جمله تشنج و غفلت فضایی یا بی‌توجهی به بخشی از محیط. گزارش مراقبان، داده‌های ابزارهای پوشیدنی و روایت‌های بالینی می‌توانند اطلاعات مکملی فراهم کنند. افزون بر این، ادغام سامانه‌های پیش‌بینی در روند مراقبت، چالش‌هایی جدا از طراحی و توسعه خود این سامانه‌ها دارد.
در مروری بر سامانه‌های پشتیبان تصمیم‌گیری بالینی برای مدیریت علائم سرطان، تنها ۲۵٫۵ درصد از سامانه‌ها در پرونده‌های الکترونیکی سلامت ادغام شده بودند و ۱۸٫۲ درصد از هوش مصنوعی استفاده می‌کردند؛ بیشتر سامانه‌ها به قواعد ثابت متکی بودند، نه مدل‌های پیش‌بینی‌کننده. این مرور به شواهدی اشاره می‌کند که بر اهمیت اصطلاح‌شناسی استاندارد، هشدارهای هدفمند و پربازده و تعیین پاسخ مشخص برای هر هشدار تأکید دارند؛ زیرا هشدارهای مکرر با ویژگی پایین می‌توانند به خستگی ناشی از هشدار منجر شوند. در مواردی که داده‌ها قابل اعتماد نیستند یا تصمیم اشتباه ممکن است به بیمار آسیب برساند، تأیید پزشک می‌تواند ضروری باشد.
در یک گردش کار خودمختار و ماژولار که از پنج عامل مبتنی بر مدل‌های زبانی بزرگ برای شناسایی نگرانی‌های شناختی در یادداشت‌های متنی بدون ساختار استفاده می‌کرد، عملکرد سامانه با یک گردش کار بازبینی‌شده توسط متخصصان قابل مقایسه بود، اما در مجموعه اعتبارسنجی مستقل از آن بهتر عمل نکرد. ساختار قابل بررسی این سامانه، بازبینی و اصلاح دستورهای مدل را آسان‌تر می‌کرد. در حوزه نوروانکولوژی، یک مطالعه پایش از راه دور بیماران مبتلا به گلیوبلاستوما که در سال ۲۰۲۳ ثبت شده است، داده‌های زیست‌سنجی ساعت اپل را با علائمی ترکیب می‌کند که خود بیمار یا مراقب او وارد می‌کند. همچنین، یک مطالعه فرانسوی درباره گلیوما که در سال ۲۰۲۶ ثبت شده است، بستری را برای ارزیابی علائم عصبی، تحمل درمان و کیفیت زندگی بررسی خواهد کرد.
این پروتکل‌ها پژوهش‌های برنامه‌ریزی‌شده را توصیف می‌کنند و اثربخشی این روش‌ها را اثبات نمی‌کنند. ملاحظات اخلاقی برای بیمارانی اهمیت ویژه‌ای دارد که توانایی شناختی یا ظرفیت تصمیم‌گیری آن‌ها ممکن است در طول زمان تغییر کند. برای این منظور، رضایت آگاهانه و اطلاع‌رسانی روشن درباره زمان استفاده از هوش مصنوعی، نوع اطلاعات پردازش‌شده، تأثیر احتمالی خروجی سامانه بر مراقبت و گزینه‌های جایگزین ضروری است.
پزشک باید بتواند گزارش اصلی بیمار یا مراقب او را مشاهده کند، منبع اطلاعات را تشخیص دهد و تفسیرهای دارای پیامد بالینی مهم را در بستر مناسب بررسی کند. اگر یک مدل زبانی بزرگ بر اساس مکالمه، وجود علامتی را استنباط کند، نباید خروجی آن به‌عنوان پیامد گزارش‌شده از سوی بیمار ارائه شود. الزامات مربوط به حریم خصوصی و امنیت اطلاعات نیز در حوزه‌های قضایی مختلف متفاوت است.
در ایالات متحده، یکی از مفاد قانون درمان‌های قرن بیست‌ویکم می‌تواند برخی قابلیت‌های پشتیبان تصمیم‌گیری را که برای استفاده پزشکان طراحی شده‌اند، در صورت برآورده شدن معیارهای مشخص، از تعریف تجهیزات پزشکی تحت نظارت سازمان غذا و دارو خارج کند. یکی از این معیارها، امکان بررسی مستقل مبنای توصیه توسط پزشک است؛ بااین‌حال، این حکم معافیتی فراگیر برای هوش مصنوعی یا ابزارهای پرونده الکترونیکی سلامت محسوب نمی‌شود. در اتحادیه اروپا، مقررات عمومی حفاظت از داده‌ها پردازش اطلاعات شخصی و سلامت را تنظیم می‌کند و قانون هوش مصنوعی اتحادیه اروپا نیز برای ابزارهای پزشکی مشمول، چارچوبی مبتنی بر سطح خطر در نظر گرفته است. سوگیری بالقوه می‌تواند از نمونه‌های پژوهشی غیرنماینده، زبان بالینی غیرنماینده، متغیرهای جانشین، تجمیع داده‌ها و انتخاب گزینشی ویژگی‌ها ناشی شود.
در کارآزمایی‌های بالینی ممکن است زنان و بیماران غیرسفیدپوست کمتر از میزان متناسب با جمعیت واقعی حضور داشته باشند. ثبت علائم نیز می‌تواند در گروه‌های نژادی، قومی، جنسیتی و اقتصادی‌اجتماعی مختلف متفاوت باشد. خلاصه‌های تولیدشده با هوش مصنوعی ممکن است این مشکل را تشدید کنند، به‌ویژه زمانی که مجموعه‌داده‌ای محدود یا نامتوازن را نماینده کل جمعیت معرفی می‌کنند. این مرور بر چارچوب‌های مبتنی بر عدالت تأکید می‌کند که ارزیابی خطر و منفعت، نظارت رسمی و سازوکارهای جبران و رسیدگی به آسیب را ضروری می‌دانند. همچنین، پیشنهادهایی برای افزودن اصل توضیح‌پذیری به اصول اخلاق زیستی تثبیت‌شده مطرح می‌کند.
جمع‌بندی این مرور آن است که سامانه‌های هوش مصنوعی و ابزارهای ثبت پیامدهای گزارش‌شده از سوی بیماران می‌توانند مراقبت در نوروانکولوژی را بیمارمحورتر و مبتنی بر داده کنند، اما شواهد کنونی به دلیل کوچک بودن مطالعات، ناقص بودن داده‌های علائم، ناهماهنگی در روش‌های اندازه‌گیری و ضعف اعتبارسنجی خارجی محدود است. پیشرفت در این زمینه به همکاری میان چند مرکز، چارچوب‌های استاندارد برای پیامدهای گزارش‌شده از سوی بیماران، سامانه‌های داده‌ای سازگار با یکدیگر، اعتبارسنجی قابل بازتولید و استفاده از منابع اطلاعاتی گسترده‌تر، مانند گزارش مراقبان و داده‌های ابزارهای پوشیدنی، وابسته است. انتقال این فناوری‌ها به محیط بالینی نیز به ابزارهایی قابل تفسیر و ادغام‌شده با پرونده الکترونیکی سلامت نیاز دارد که اطلاعات قابل استفاده برای تصمیم‌گیری فراهم کنند و هم‌زمان رضایت بیمار، حریم خصوصی، استقلال فردی، عدالت و نظارت پزشک را حفظ کنند.
موضوع پژوهش: هوش مصنوعی برای ارزیابی علائم و پیامدهای گزارش‌شده از سوی بیماران در نوروانکولوژی
عنوان مقاله: هوش مصنوعی برای ارزیابی علائم و پیامدهای گزارش‌شده از سوی بیماران در نوروانکولوژی
منبع مقاله: یوگندران، ال. وی.، ایوری، سی.، کرومز، آر. سی.، اوزایر، ای.، سیگل، سی.، گوترمن، آی.، ری، جی. وای.، بیندر، جی.، ماینر، ام.، آلدر، ال.، دیویس، جی. و شارما، ای. (۲۰۲۶). هوش مصنوعی برای ارزیابی علائم و پیامدهای گزارش‌شده از سوی بیماران در نوروانکولوژی. Journal of Neuro-Oncology، جلد ۱۸۰، شماره ۲، مقاله ۲۶. https://doi.org/10.1007/s11060-026-05832-9
شناسه دیجیتال مقاله (DOI): 10.1007/s11060-026-05832-9
کلیدواژه‌ها: هوش مصنوعی، نوروانکولوژی، تومورهای مغزی، پیامدهای گزارش‌شده از سوی بیمار، پایش علائم، یادگیری ماشین، مدل‌های زبانی بزرگ، پشتیبانی از تصمیم‌گیری بالینی، اخلاق پزشکی، سوگیری داده‌ها.