يحدد نموذج تنبؤي يستخدم البيانات الصحية الوطنية مجموعتين فرعيتين من مرضى أمراض الكلى المزمنة الذين يعانون من اختلاف جذري في معدل انتشار فقدان السمع، مما يتيح الفحص المستهدف.

يتشارك فقدان السمع ومرض الكلى المزمن (CKD) في عوامل خطر مشتركة ويمكن ربطهما من خلال الالتهاب والمسارات الأيضية المشتركة. ومع ذلك، لا يصاب جميع مرضى الكلى بفقدان السمع بنفس المعدل. كشفت دراسة جديدة للتعلم الآلي باستخدام بيانات من 3402 مريضًا بمرض الكلى المزمن أن تقنيات تقسيم المخاطر وتجميعها يمكن أن تحدد المرضى الأكثر عرضة للخطر، مما يحتمل أن يتيح تقييم السمع والتدخل مبكرًا في هذه الفئة الضعيفة من السكان.

يعد محور الكلى والقوقعة مجالًا ناشئًا من مجالات الاهتمام في الطب، مع إدراك أن صحة الكلى والأذن متشابكة ميكانيكيًا. يعتمد كلا العضوين على التنظيم الدقيق لتدفق الدم، وتوازن الأيونات، والتحرر من الالتهابات الجهازية. يعطل مرض الكلى المزمن هذه العمليات، مما يثير السؤال: هل يمكننا التنبؤ بمن سيصاب بفقدان السمع من بين مرضى الكلى؟

الخلفية: اتصال الكلى والأذن

يؤثر مرض الكلى المزمن على ما يقرب من 10% من سكان العالم، وهو محرك رئيسي للمراضة والوفيات المبكرة. بين مرضى مرض الكلى المزمن، يكون معدل انتشار فقدان السمع مرتفعًا، ولكن سبب إصابة بعض المرضى بضعف السمع بينما لا يزال البعض الآخر غير واضح. افترض الباحثون أن التعلم الآلي قد يكشف عن أنماط مخفية في بيانات المرضى التي تميز المجموعات الفرعية منخفضة المخاطر عن المجموعات الفرعية عالية الخطورة.

استخدم هذا الفريق بيانات من المسح الوطني لفحص الصحة والتغذية (NHANES)، وهو عينة كبيرة ممثلة على المستوى الوطني لسكان الولايات المتحدة، لتطوير النماذج التنبؤية والتحقق من صحتها. كان الهدف هو إنشاء مصنف قوي للمخاطر وأداة على شبكة الإنترنت يمكن للأطباء استخدامها لتحديد المرضى المعرضين لمخاطر عالية والذين يجب أن يتلقوا تقييم السمع.

كيف تمت الدراسة

من بين 3402 مريضًا بمرض الكلى المزمن، استخرج الباحثون 31 متغيرًا مرشحًا للتنبؤ تشمل التركيبة السكانية والكيمياء الحيوية وعوامل نمط الحياة. واستخدموا انحدار LASSO لاختيار الميزات الأكثر تنبؤًا، ثم اختبروا تسع خوارزميات للتعلم الآلي لتطوير نموذج التنبؤ الأمثل. وبرزت خوارزمية XGBoost باعتبارها الفائز، حيث حققت دقة بنسبة 98.4 بالمائة في التدريب ودقة بنسبة 93.9 بالمائة في بيانات الاختبار المستقلة.

ثم قاموا بتطبيق نموذج الخليط الغاوسي (GMM)، وهي تقنية تجميع غير خاضعة للرقابة، لتحديد الأنماط الفرعية المميزة للمريض. كشف هذا عن مجموعتين طبيعيتين: مجموعة منخفضة المخاطر ومجموعة عالية الخطورة، تتميز بملفات سريرية مختلفة بما في ذلك العمر، وعلامات وظائف الكلى، وتوازن الكهارل.

ما وجده الباحثون

تتألف المجموعة الفرعية عالية الخطورة من 2316 مريضًا (68% من المجموعة) وتتميز بالتقدم في السن وارتفاع نيتروجين اليوريا في الدم وارتفاع مستويات البيكربونات. ومن الجدير بالذكر أن 48.2% من المرضى في المجموعة عالية الخطورة يعانون من فقدان السمع، مقارنة بـ 1.58% فقط في المجموعة منخفضة المخاطر التي تضم 1075 مريضًا. يوضح هذا الاختلاف المذهل الذي يبلغ 30 ضعفًا أن التعلم الآلي يمكن أن يكشف عن مجموعات فرعية ذات أهمية سريرية للمرضى مع مخاطر مرضية مختلفة إلى حد كبير.

وقد حدد تحليل SHAP (SHapley Additive exPlanations)، وهي طريقة تفسر نماذج التعلم الآلي المعقدة، العمر باعتباره المحرك الرئيسي للمخاطر، يليه علامات كلوية وجهازية أخرى. تعد قابلية التفسير هذه أمرًا بالغ الأهمية للتبني السريري، حيث يحتاج الأطباء إلى فهم سبب قيام النموذج بتنبؤاته.

كما طور الفريق أيضًا أداة على شبكة الإنترنت باستخدام الميزات الستة الأكثر تأثيرًا فقط، مما يجعل من العملي للأطباء المشغولين إدخال البيانات والحصول على تقدير مخاطر فقدان السمع في الوقت الفعلي لدى أي مريض مصاب بمرض الكلى المزمن.

ماذا يعني بالنسبة للأشخاص الذين يعانون من أمراض الكلى

بالنسبة لمرضى مرض الكلى المزمن، يشير هذا العمل إلى أن تقييم السمع يجب أن يصبح جزءًا من الرعاية الروتينية، خاصة بالنسبة لأولئك الذين يعانون من ارتفاع العمر أو ارتفاع نيتروجين اليوريا أو تشوهات الإلكتروليت. يتيح الاكتشاف المبكر التدخل قبل أن يصبح فقدان السمع شديدًا بما يكفي لإضعاف التواصل ونوعية الحياة. إن توفر أداة تنبؤية يعني أنه يمكن للأطباء إعطاء الأولوية لفحص السمع لأولئك الذين من المرجح أن يستفيدوا منه.

يعد الفحص الدقيق الذي يتيحه التعلم الآلي ذا قيمة خاصة في البيئات منخفضة الموارد حيث قد يكون اختبار السمع محدودًا. ومن خلال تحديد 68% من مرضى الكلى المزمن في المجموعة المعرضة للخطر، يمكن لأنظمة الرعاية الصحية تخصيص موارد تقييم السمع بشكل أكثر كفاءة.

لماذا تناسب تقنية التركيب الذاتي المرضى ذوي المخاطر العالية؟

غالبًا ما يواجه مرضى مرض الكلى المزمن أمراضًا مصاحبة متعددة وأنظمة علاجية معقدة وزيارات متكررة للعيادة. إن إضافة مواعيد سمعية متخصصة إلى عبء ثقيل بالفعل يمثل تحديًا لوجستيًا. تتيح المعينات السمعية التي لا تستلزم وصفة طبية إمكانية الوصول بشكل أسرع إلى تضخيم الصوت دون جدولة إضافية للعيادة.

يشتمل Panda Quantum على اختبار سمع عبر الإنترنت مدته 10 دقائق تم ضبطه سريريًا ويمكن لمرضى أمراض الكلى المزمنة المعرضين للخطر إكماله في المنزل، ثم ضبط أجهزتهم عبر التطبيق بناءً على الاستماع في العالم الحقيقي. تتيح إمكانات Bluetooth الخاصة به إجراء مكالمات بدون استخدام اليدين وتدفق أدوات السمع من الهواتف، وهو أمر مفيد بشكل خاص للمرضى الذين يديرون الرعاية الصحية عبر الرعاية الصحية عن بعد أثناء زيارات العيادة أو بينها. توفر البطارية الإجمالية التي تدوم 80 ساعة مع العلبة والضمان لمدة 5 سنوات راحة البال للمرضى ذوي الاحتياجات الطبية المعقدة. اكتشف Panda Quantum.

حدود هذا البحث

استخدمت الدراسة بيانات NHANES، وهي عينة سكانية أمريكية قد لا يتم تعميمها على مستوى العالم. التصميم المقطعي يعني أنه لا يمكن إثبات السببية. تنتظر الأداة السريرية للنموذج التحقق المحتمل في مجموعات CKD المستقلة.

حيث يتركنا هذا

يمكن لأدوات الطب الدقيق، مثل إطار التعلم الآلي هذا، أن تغير الطريقة التي نتعامل بها مع فقدان السمع في الأمراض المزمنة. ومن خلال تحديد المجموعات الفرعية عالية الخطورة، فإننا نمكن من التدخل المبكر والاستخدام الأفضل للموارد المحدودة.

تشين إل، وانغ جيه، ليو جي، وآخرون. فك تشفير محور القوقعة الكلوية: التعلم الآلي المفسر وتجميع النمط الظاهري يكشفان عن أنواع فرعية شديدة الخطورة من فقدان السمع في مرض الكلى المزمن. الفشل الكلوي. 2026 أبريل 21;48(1):2649658. تم الاسترجاع من PubMed. دوى: 10.1080/0886022X.2026.2649658