وعلى مدى العقد الماضي، برزت عملية التعلم الآلي كأداة تحولية في مجال علم الالتهاب النيفرولوجي، ولا سيما للتنبؤ بالضرر الكلي الطويل الأجل في المرضى المصابين بمرض السكر، حيث أن نسبة السكري التي تؤثر على أكثر من 537 مليون شخص بالغ على الصعيد العالمي، وحوالي 40 في المائة من الأمراض الكلوية المزمنة، لم تكن الحاجة إلى التنبؤات الدقيقة والمبكرة أكثر إلحاحاحا.

لماذا الإدمان المبكر في أمراض الأطفال السكري

ويُعتبر مرض السكري السبب الرئيسي للأمراض الكلوية في المرحلة النهائية في معظم البلدان المتقدمة، وكثيرا ما يتطور المرض صامتا: فقد يكون للمرضى تأثير ضار ملاحظ طبيعي على الصحة العامة ولا يوجد كربون في مرحلة الطفولة المبكرة، بينما يتراكم التليفي المشترك والأضرار العالمية، ويقل معدل الإصابة بالمرض الناتج المحلي الإجمالي عن 60 ميل/م/١,٧٣ مترا مربعا، ويزيد من حدة الضغط على عيادات التشخيص المبكر.

How Machine Learning Enhances Prediction over Traditional Models

وتُعتبر الأساليب الإحصائية التقليدية، مثل التراجع اللوجستي ونماذج المخاطر النسبية للمثليين، علاقات خطية واستقلالية بين المُنبئين، وتتجاوز نماذج التعلم الماكين هذه القيود عن طريق استخلاص التفاعلات غير الخطية، ومعالجة البيانات ذات الأهمية العالية، والاكتشاف التلقائي لأنماط معقدة، فعلى سبيل المثال، قد يتعلم نموذج للتعلم الآلي أن الجمع بين الارتفاع الخفي في مستوى النسيج، وهو انخفاض طفيف في القيمة المضافة للأسرة في الهيمنة().

الهيكل النموذجي الرئيسي

  • Gradient boosting machines] (XGBoost, LightGBM, CatBoost) dominate structured tabular data from electronic health records. They handle missing values well, provide feature importance scores, and often achieve state-of-the-art AUC values between 0.85 and 0.92 for predicting CKD onset in diabetes.
  • Deep learning neural networks] are used for unstructured data: convolutional neural networks (CNNs) can analyze kidney biopsy histopathology slips to quantify fibrosis and sclerosis; recurrent neural networks (RNNs) and transformers can model longitudinal eGFR trajectories from series
  • Random survival forests] extend random forests to time-to-event analysis, offering nonparametric hazard estimates that outperform Cox models when the proportional hazards assume is violated.
  • Deep survival networks] (مثلاً، ديبسورف، كوكس تيم) يدمج التعلم العميق في تحليل البقاء، ويتعلم وظائف المخاطر المعقدة المستمدة من البيانات العالية الأبعاد.

فالطرق التي تجمع بين عدة هياكل - على سبيل المثال، تضرب معززاً من الدرجة الواحدة بشبكة عصبية - كثيراً ما تؤدي أفضل أداء عن طريق الحد من التحيز والاختلاف.

مصادر البيانات والهندسة النسائية

ويتوقف أداء أي نموذج للتعلم الآلي اعتماداً حاسماً على اتساع ونوعية بيانات المدخلات، وتشمل المصادر المشتركة للتنبؤ بـ دي.

  • Electronic health records (EHRs):] demographics, diagnoses, medications, laboratory values (creatinine, cystatin C, HbA1c, albuminuria), vital signs, and procedure codes.
  • Medical imaging:] kidney ultrasound images (renal length, cortical fishness) and whole-slide histopathology images from biopsies.
  • Genomic data:] polygenic risk scores for diabetic nephropathy, single-nucleotide polymorphisms in genes such as ]UMOD, ACE, and [6]
  • Wearable tool streams:] continuous glucose monitoring (CGM) time series, ambulatory blood pressure monitoring, and physical activity data.

هندسة الخصيتين لا تزال خطوة حاسمة، فبعض الملامح المتميزة مثل "المنحدر من أصل إجمالي خلال الـ 24 شهرا الماضية" "معامل التغيّر من نوع HbA1c" "الذي يقل عن 70 ملغم/دبليو (تردد التنويم المغناطيسي)، و "المعدلات اللازمة للالتزام بالطب" كثيرا ما تكون أكثر تنبؤا من القيم الخام.

البحوث والتقييم السريري الأخير

وقد أظهرت الدراسات المتعددة الأثر العالية التي نشرت بين عامي 2020 و2024 تفوق نماذج التعلم الآلاتي للتنبؤ بـ دي كي دي في مختلف السكان.

A 2023 study in the ]Journal of Nephrology] trained a deep learning model on 180,000 diabetic patients from the UK Biobank, incorporating eGFR trajectories, UACR, age, sex, HbA1c, and systolic blood prediction.

وكانت دراسة تاريخية أخرى من جمعية أمريكان لعلم النيفرولوجيا () (2024) تستخدم تعزيز التدرج (XGBoost) للتنبؤ بالحادثة CKD في الفئة 2 من مرضى السكري من تجربة EMPA-REG OUTCOME، وقد حقق النموذج تركيزاً قدره 0.92 في حالة التعرض لخطر الإصابة بمرض تضخم الغددئوي مستدام بنسبة 38 في المائة من الناتج المحلي الإجمالي التقليدي.

A 2024 meta-analysis published in Diabetes Care]]]]] reviewed 47 studies and found that machine learning models improved discrimination for DKD progression by an average of 10–15% over conventional logistic regression, with pooled AUC of 0.88 (95% CI 0.85).

وفي دراسة صينية متعددة المراكز تضم 000 50 مريض مصاب بمرض السكري من النوع 2، أعقبها 10 سنوات، حقق نموذج من طراز XGBoost FRC يبلغ 0.88 للتنبؤ بـ " ESRD " ، مع مؤامرات معايرة تبين اتفاقا ممتازا بين المخاطر المتوقعة والملاحظة، وقد أدمج النموذج في نظام المصادر الإلكترونية للمستشفيات المحلية واستُخدم في تحديد المخاطر في الوقت الحقيقي خلال الزيارات الخارجية، مما يدل على جدوى في مجال الموارد.

التحديات والحدود

وعلى الرغم من هذه النتائج الواعدة، يجب التغلب على عدة حواجز قبل أن يصبح التعلم الآلات أداة سريرية روتينية للتنبؤ بـ دي.

نوعية البيانات والتجانس

وتعاني بيانات الموارد البشرية من نقص شديد في القيم، وفترات القياس غير القانونية، والاختلافات في المقادير المختبرية بين المؤسسات، من جميع الأداء النموذجي المتدهور، مثلاً، لا يقاس الاسطوانات جيم بشكل موحد في جميع المراكز، ويختلف المقاليد عن المعايرة، وقد لا يعمم نموذج مدرَّب على البيانات المستمدة من المراكز الطبية الأكاديمية التي ترصد المختبرات المتكررة على العيادات المجتمعية التي يكون فيها للمرضى أقل من نماذج الرصد.

الترجمة الشفوية والثقة

نماذج التعلم العميقة، خصوصاً تلك التي تستخدم شبكات عصبية أو أساليب مجتمعة، غالباً ما توصف بأنها صناديق سوداء، العيادات مترددة على العمل على تحقيق نتائج الخطر دون فهم الأساس المنطقي، تقنيات المقاييس المفسرة مثل الاختبارات الاصطناعية الاصطناعية، و النماذج التشخيصية غير القابلة للتنبؤ، والتي يمكن أن تبرز أكثر ما يمكن

البازلاء والجني

وإذا كانت بيانات التدريب تمثل فئات ديموغرافية معينة، فإن النموذج قد يؤدي أداء ضعيفاً بالنسبة للسكان غير الممثلة تمثيلاً كافياً، وقد تبين من دراسة نشرت في أن معدل التقدم المحرز في المختبرات المنصفة هو 18 في المائة بالنسبة للمرضى السود، وهو ما يمثل انخفاضاً طفيفاً في الأداء().

الدمج في تدفق العمل السريري

لا فائدة من النموذج التوقعي الدقيق إذا كان يعطل سير العمل السريري، ولم يتم نشر العديد من نماذج درجة البحث في بيئة حية من الموارد البشرية، ويتطلب التكامل الناجح: (1) وجود إطار زمني متزامن يسحب البيانات من شعبة الموارد البشرية، (2) درجات الخطر المحسوبة في غضون ثوان من لقاء المرضى، (3) تنبيهات بشأن القرارات السريرية التي تنطوي على مخاطر غير مشوبة، و (4)

الاتجاهات المستقبلية

وسيكون الجيل القادم من النماذج التنبؤية لـ دي كيه ديه أكثر دقة وقابلية للتفسير ودمجاً سلساً في تقديم الرعاية.

التعليم الموحد من أجل التدريب المتعدد المواقع على الخصوصية

(د) [و] تدريب نماذج قوية دون إضفاء الطابع المركزي على بيانات المرضى الحساسة، يتيح التعلم الاتحادي للمستشفيات التدريب التعاوني على نموذج مع الاحتفاظ بالبيانات المحلية.() وتبين فقط تحديثات نموذجية (تدرجات) تحافظ على الخصوصية.() وقد حققت النتائج المبكرة من Consortium () نموذجاً مُدرباً على نحو 087]

التكامل المتعدد الوسائط

وتنتج التطورات في علم الشيخوخة والبروتوماتيومات والمستبدات صوراً جزائية عالية الأبعاد يمكن أن تحسن كثيراً التنبؤ بمؤشرات الدي كي دي.

رصد المخاطر في الوقت الحقيقي مع القابلات للزراعة

شاشات التلوي المكثفة وأجهزة رصد ضغط الدم المُصابة بالمرض تُولد مجرى بيانات عالية التردد يمكن أن تُغذي في نماذج التعلم الآلاتي لتقييم المخاطر الدينامية، على سبيل المثال، يمكن لنموذج أن يكتشف أن ضغط الدم العصبي للمريض قد زاد بمقدار 15 ملليمتر على مدى أسبوعين، مقترناً بارتفاع معدل التقلبات في الغدد الجليدي، وبدء تنبيه إلى فحص النسيج البول

تعليم الآلات الساكنة لأغراض التوجيه العلاجي

نماذج التنبؤ الحالية تجيب على "من هو في خطر؟" ولكن ليس "ما الذي يجب أن نفعله؟" تعلم آلة الكاسل (مثل الغابات السببية، والتعلم الآلي المزدوج/المتكرر) يهدف إلى تقدير تأثير العلاج المتجانس للتدخلات مثل مسببات الاختلال في الـ "جي إل تي 2" أو مُستقبِلات الـ "جي بي 1" أو ضغط دم مكثف يقلل من التقدم في إطار نموذج "دي كي دي كي دي إي تي"

خاتمة

والتعلم من الآلات هو زيادة سريعة في القدرة على التنبؤ بالأضرار الكلية الطويلة الأجل في المرضى المصابين بمرض السكر، مع تجاوز عوامل الخطر التقليدية لالتقاط أنماط معقدة في البيانات السريرية والتصويرية والجينومية والقابلة للارتطام، كما أن الدراسات الأخيرة تشير باستمرار إلى أن البلدان الأفريقية التي تعاني من نقص في معدلات الإصابة بالمرض قد تجاوزت 0.85 في المائة، حيث أن بعض النماذج التي تتفوق على معدل التعرض للمخاطر في كليات كيدني بنسبة تتراوح بين 10 و15 في المائة.