مقدمة: إعادة النظر في تصنيف مرض السكري

ويؤثر مرض السكري على أكثر من 500 مليون شخص على الصعيد العالمي، ومع ذلك فإن إدارته لا تزال تعوقها نهج واحد يناسب الجميع، يستند إلى التصنيفات التقليدية للمرض من النوع 1 والنوع 2، وتخفي هذه الفئات الواسعة من الاضطرابات النفسية، وتكشف عن الآثار المترتبة على ذلك، على نحو سريع، على وجود أنماط تشخيصية شديدة، على الرغم من وجود أنماط تشخيصية مختلفة من الإصابة بالمرض، وتكشف عن وجود بعض المرضى الذين يعانون من مرض السكر في المستقبل.

ما هو تحليل المجموعة؟

فالتحليل الجماعي هو أسلوب غير مشرف للتعلم الآلي يُجمع بين الأشخاص أو الأفراد في مجموعات قائمة على أوجه التشابه بين مختلف السمات، وعلى عكس ما يُشرف عليه من تعلم يعتمد على النتائج المسمومة، يكتشف تحليل المجموعات الهياكل الطبيعية في البيانات دون فئات محددة مسبقاً، والفكرة الأساسية هي: أن النقاط في المجموعة ذاتها تتقاسم خصائص أكثر فيما بينها وبين نقاط في مجموعات أخرى، وتشمل هذه العملية تحديد الاختلافات بين مختلف المجموعات وبينها وبينها وبينها.

ويتوقف اختيار الخوارزمية على هيكل البيانات وأهداف البحث، وتشمل الأساليب المشتركة ما يلي:

  • K-means clustering]: Partitions data into K predetermined clusters, with each individual assigned to the nearest cluster centroid. It is computationally efficient and widely used for large datasets.
  • Hierarchical clustering]: Builds a tree-like structure (dendrogram) of nested clusters, allowing researchers to visualize relationships at multiple granularity levels. No prior assuming about the number of clusters is needed.
  • DBSCAN]: تجمعات مكانية قائمة على كثافة الكثافة تحدد المجموعات بأنها مناطق كثيفة تفصلها مناطق متفرقة، مفيدة في استيعاب مجموعات فرعية مُشكلة بشكل تعسفي ومعالجة المخارج.
  • Gaussian mixture models]: Probabilistic approach that assumes data points arise from a mixture of several Gaussian distributions, providing soft assignments and uncertainty estimates.

ولكل خوارزمية قوة وقيود، وبالنسبة لتطبيقات السكري، فإن الكميات والتجميع الهرمي هي الأكثر شيوعاً بسبب إمكانية تفسيرها وقابليتها للتصعيد إلى آلاف المرضى عبر عشرات المتغيرات.

مرض السكري المسبب للسرطان والحاجة إلى وضع حد

ويقسم تصنيف مرض السكر التقليدي إلى النوع 1 (تدمير الخلايا الخرسانية التي تؤدي إلى نقص مطلق) والنوع 2 (مقاومة شديدة بنقص الأسوبية النسبية)، غير أن هذا الاضطرابات لا تزال تستوعب كامل الطيف السريري، وعلى سبيل المثال، فإن الاضطرابات الناجمة عن مرض السكري في الجهاز التلقائي في البالغين تختلف من نوعين.

ويعالج التحليلات العنقودية هذا التقييد بالنظر في آن واحد في المعايير الطبية والإيضائية والجينية المتعددة، وبتحديد مجموعات فرعية متجانسة، يمكن للباحثين:

  • التدرج في الأمراض الرئوية أكثر دقة
  • استراتيجيات معالجة مصممة حسب فرادى موجزات المخاطر
  • المعالم الحيوية الجديدة غير المكتشفة والأهداف العلاجية
  • تحسين تصميم التجارب السريرية عن طريق تسجيل المزيد من السكان المتجانسين

تطبيق التحليلات العنقودية على بيانات مرض السكري

وعادة ما ينطوي تدفق العمل لتطبيق تحليل المجموعات على السكان المصابين بمرض السكري على عدة خطوات حاسمة، أولا، يحدد الباحثون الدراسة التي كثيرا ما تستمد من قواعد بيانات كبيرة لأوبئة الأوبئة، أو السجلات الصحية الإلكترونية، أو التجارب السريرية، وتتراوح أحجامها بين بضع مئات و 000 10 شخص لضمان القدرة الإحصائية، ثم تكون عملية تجهيز البيانات أساسية: إذ يتم وضع قيم مفقودة وتقييم المعالم الخارجية، وتشمل المتغيرات المستمرة اختياراً موحداً لمنع حدوث متغيرات الأكبر حجماً.

جيم - أوجه التباين الرئيسية في تحليل المجموعات

  • Demographics]: العمر عند التشخيص، الجنس، العرق
  • Metabolic markers]: Fasting glucose, HbA1c, fasting insulin, C-peptide levels, insulin sensitivity indices (e.g., HOMA-IR), insulin secretion (HOMA-Beta)
  • Anthropometrics]: مؤشر الكتلة الجسمية، ختان الخيوط، النسبة المئوية لدهن الجسم
  • Lipid profile]: Total cholesterol, HDL, LDL, triglycerides
  • Clinical history]: مدة مرض السكري، وجود تعقيدات (الاضطرابات، الاضطرابات العصبية، الاضطرابات العصبية)، ضغط الدم، الظواهر القلبية الوعائية
  • Genetic markers]: Risk alleles for Type 2 diabetes, autoimmune antibodies (GAD, ICA)

وبعد إعداد مجموعة البيانات، يطبق الباحثون خوارزميات التجمّع، وتتمثل إحدى الممارسات المشتركة في استخدام الخوارزميات المتعددة ومقارنة النتائج لضمان الحزمة، وتُحدّد تقنيات التقييم، مثل قياسات السلويت، وطريقة النواة للكميات، وتحليل الاستقرار عن طريق إعادة تجميع الخنازير، العدد الأمثل من المجموعات، مثلاً، قياسات أعلى درجة للعلامات التي تُحدّد من نقطة إلى أخرى.

توحيد المعايير في الممارسة

في بحوث السكري، يُفضّل تجميع الـ(ك-ماينز) لسرعة وسرعة الباحثون عادةً يُقَدِّمون البيانات ويُديرون (ك-مينز) بقيم مختلفة (مثلاً، 2 إلى 10) كما أنّ مؤامرة الفول (مع مجموع مساحتها من المربعات ضد (ك) تساعد على تحديد النقطة التي تُضيف فيها مجموعات أكثر تُقلّل من العائدات.

وبعد التجميع، يصف الباحثون كل مجموعة من المجموعات بإحصاءات موجزة لجميع المتغيرات، وتختبر الاختلافات الرئيسية بين المجموعات باستخدام اختبارات الأنوفو أو كروسال - فاليس للمتغيرات المستمرة واختبارات ميدان الشي للمتغيرات المفهرسة، وتكشف هذه الخطوة عن السمات المميزة لكل نموذج فرعي، مما يتيح تفسيرا سريريا.

النتائج الرئيسية: مجموعات فرعية مختلفة في مرض السكري

وقد أظهرت الدراسات المتعلقة بمؤشرات الأراضي قدرة تحليل المجموعات على إعادة تحديد أنواع السكري الفرعية، ونشرت إحدى أكثر التحقيقات تأثيرا في عام 2018 بواسطة شركة Ahlqvist وآخرون من جامعة لوند، السويد، تحليل البيانات من نحو 000 9 مريض مصاب بداء السكري في كوستن سويدية، وطبق الباحثون على مجموعة K-means، وهي مجموعة من المتغيرات:

خمسة نماذج فرعية من النوع 2

  • Cluster 1: Severe autoimmune diabetes (SAID)]: Corresponds to Class Type 1 diabetes and LADA. Patients are young at onset, lean with low BMI, have GAD antibodies, and low insulin secretion (low HOMA2-Besuta).
  • Cluster 2: Severe insulin-deficient diabetes (SIDD)]: المرضى صغار نسبياً، ولا يحملون دبلوماً صغيراً، ولكن نقصاً حاداً في الإقناع (المستوى المنخفض جداً HOMA2-Beta) ويتعرضون لخطر الإصابة بفيروس نقص المناعة البشرية بدرجة عالية في التشخيص وخطر أكبر من الاضطرابات.
  • Cluster 3: Severe insulin-resistant diabetes (SIRD): Characterized by high BMI, severe insulin resistance (high HOMA2-IR), and relatively preserved insulinion.() This group has the highest risk of diabetic kidney disease and fatty liver.
  • Cluster 4: Mild obesity-related diabetes (MOD)]: المرضى بدين (High BMI) ولكنهم يعانون من سوء السلوك، ومقاومة الإنسولين وسريتهم متوازنتان نسبياً، وهذا النوع الفرعي يستجيب بشكل جيد لتدخلات أسلوب الحياة.
  • Cluster 5: Mild age-related diabetes (MARD)]: أكبر مجموعة، المرضى أكبر سناً في التشخيص (غالباً في سن 65 عاماً)، مع شذوذات مترية وخطر مضاعفات منخفضة، ويمكن إدارتها بأقل علاجاً كثافة.

وقد تم تكرار هذا التصنيف في مجموعات أخرى، بما فيها مجموعات الصينيين والأوروبية، مما يؤكد صحة هذا التصنيف فيما بين الأعراق، ومن المهم أن المجموعات تنبأ بالتقدم في الأمراض ومخاطر التعقيد أكثر دقة من الفئات التقليدية HbA1c أو BMI وحدها.

تصنيفات المجموعات الفرعية الأخرى

وفيما عدا الدراسة السويدية، طبقت أفرقة بحث أخرى تحليل المجموعات على مختلف سياقات السكري، فعلى سبيل المثال، حددت دراسة باستخدام مصرف بيولوجي المملكة المتحدة مجموعات فرعية إضافية تستند إلى درجات المخاطر الجينية والسمات الأيضية، وكشف تحليل آخر يركز حصرا على مرض السكري من النوع 1، وكشف مجموعات فرعية ذات معدلات متفاوتة من مخاطر الإصابة بداء الخيوط وازدواجها، وفي بروتوكولات البول، كشف تحليلات العنقودية عن وجود أنواع من المخاطر المرتبطة بالسكر.

كما طُبقت تحليلات عن طريق المجموعات على مرض السكري الأحادي الجنسية والسكان الذين يعانون من أمراض الأطفال، مما زاد من تحسين فهمنا للتنوع في الأمراض، وتشير هذه النتائج مجتمعة إلى أن مرض السكري هو متلازمة من الأمراض المتعددة المميزة وليس مرضا واحدا.

الآثار المترتبة على العلاج والبحث

ولتحديد مجموعات فرعية منفصلة معنية بمرض السكري آثار عميقة على الممارسات السريرية وتنمية المخدرات، ويمكن تكييف نهج العلاج الشخصي على أساس العضوية في المجموعات، على سبيل المثال:

  • SAID] patients benefit from early insulin initiation and immune-modulating therapies (e.g., teplizumab in new-onset cases).
  • SIDD] patients require insulin promptly due to severe insulin deficiency, though they may also respond to sulfonylureas or GLP-1 receptor agonists that stimulate secretion.
  • SIRD] patients are ideal candidates for insulin sensitizers like thiazolidinediones or metformin, along with aggressive management of cardiovascular risk factors.
  • MOD] patients often achieve remission with lifestyle interventions and metformin, avoid early intensification of treatment.
  • MARD] patients may require only minimal pharmacological intervention, with careful monitoring to avoid overtreatment and hypoglycemia.

ويمكن إثراء التجارب السريرية عن طريق تسجيل مجموعات فرعية متجانسة، والحد من التقلبات وتحسين القدرة الإحصائية، مثلا، يمكن أن تركز اختبارات تجريبية على المرضى الذين يُحتمل أن يستجيبوا لها، وتعترف الوكالات التنظيمية ومطورو المخدرات بصورة متزايدة بالنهج التي تتخذ من مجموعات فرعية باعتبارها وسيلة لتحقيق تنمية أكثر كفاءة للمخدرات.

وعلاوة على ذلك، يُبرز تحليل المجموعات مسارات بيولوجية جديدة، فعلى سبيل المثال، تبرز مجموعة " سيرد " دور مقاومة الأنسولين في أمراض الكلى الرئوية، مما يدفع إلى إجراء بحوث في الآليات الوبائية والبروفية، ويمكن للدراسات الجينية داخل المجموعات أن تحدد مكاناً محدداً لبعض النماذج الفرعية، مما يؤدي إلى معالجة مستهدفة.

التحديات في مجال تحليل المجموعات

ورغم وعدها، يواجه تحليل المجموعات في بحوث مرض السكري عدة تحديات يجب معالجتها لترجمة النتائج إلى ممارسة سريرية روتينية.

Data quality and completeness]: تحتاج الخوارزميات التجميعية إلى بيانات شاملة عالية الجودة، ويمكن أن تؤدي مستويات الـ C-peptide المفقودة، أو الأفرقة غير المكتملة الشحوم، أو اختبارات الجسد المضاد غير المتجانسة إلى التحيز، وقد تتطلب البيانات التي تتضمن قيماً مفقودة كثيرة الاستبعاد، مما قد يشوّف الأنماط الحقيقية.

Variable selection bias]: إن اختيار المتغيرات يؤثر تأثيراً قوياً على حلول المجموعات، بما في ذلك السمات الزائدة أو غير ذات الصلة يمكن أن تحجب مجموعات فرعية حقيقية، ويجب على الباحثين أن يوازنوا الشمول مع التجزئة، ويعتمدون في كثير من الأحيان على المعارف السابقة والخبرة في المجال.

Algorithm sensitivity]: يمكن أن تنتج الخوارزميات المختلفة مجموعات مختلفة من نفس البيانات، ويفترض K-means مجموعات متفرقة ذات حجم متساو، قد لا تعكس الواقع البيولوجي، ويمكن أن يهيمن التكتلات الهرمية على الضوضاء إذا اختيرت القياسات عن بعد بشكل ضعيف.

Reproducibility and generalizability]: يمكن للمجموعات المحددة في مجموعة واحدة أن لا تستنسخ في مجموعات أخرى بسبب الاختلافات في الإثنية أو نظم الرعاية الصحية أو أساليب القياس.() والمصادقة الخارجية على مجموعات البيانات المتنوعة ضرورية قبل التوصية بمبادئ توجيهية سريرية.

Interpretability and clinical utility ]: حتى لو كانت المجموعات قوية إحصائيا، يجب أن تكون قابلة للتعريف بسهولة في البيئات السريرية الروتينية.() وقد لا تكون المجموعة التي تحددها مجموعات معقدة من العلامات البيولوجية عملية إذا لم تكن تلك الاختبارات متاحة في الرعاية الأولية، ويمكن أن تؤدي درجات المخاطر المبسطة أو أشجار القرار المستمدة من المجموعات إلى سد هذه الفجوة.

الاتجاهات المستقبلية

ويتطور هذا المجال بسرعة نحو إدماج تحليل المجموعات مع مصادر البيانات الأخرى ذات الأبعاد الرفيعة، وتشمل التطورات الرئيسية ما يلي:

  • Genomics and multi-omics integration]: Combining cluster analysis with genome-wide association studies (GWAS), transcriptomics, proteomics, and metabolomics can provide mechanistic insights. For example, integrating cluster-specific gene expression profiles may identify drug targets for the SIRD subtype.
  • Longitudinal clustering]: بدلاً من البيانات الشاملة لعدة قطاعات، ستُجرى الدراسات المقبلة على المرضى الذين يُعدون مجموعات استناداً إلى مسارات HbA1c، أو الوزن، أو وظيفة الكلى بمرور الوقت، وهذا النهج الدينامي يستوعب تطور الأمراض ويسترشد باستراتيجيات العلاج التكيّفية.
  • Machine learning and deep learning: يمكن لأساليب متقدمة مثل مؤلفات السيارات أن تتعلم بيانات تعزز أداء المجموعات، غير أن قابلية الترجمة الشفوية تظل مصدر قلق، ويجري تطوير تقنيات تفسيرية للتعريف بها لجعل هذه النماذج شفافة سريريا.
  • Real-world implementation]: تقدم السجلات الصحية الإلكترونية مجموعات بيانات واسعة النطاق للتجميع، ولكنها كثيرا ما تحتوي على الضوضاء والبيانات المفقودة.
  • Clinical decision support]: يمكن إدراج الأدوات القائمة على أساس الغوريثم في السجلات الطبية الإلكترونية لتخصيص المرضى تلقائياً إلى المجموعات والتوصية بمسارات العلاج الشخصية.

خاتمة

ويحول تحليل المجموعات فهمنا للسكري من تصنيف ثنائي مختلط إلى إطار مفصل ومحدود، حيث إن هذه التقنية تتيح إمكانية التنبؤ بشكل أكثر دقة بالتطور في الأمراض، واختيار العلاج المستهدف، واتجاهات البحث المبتكرة، وقد أدى النموذج السويدي للمجموعات الخمسي إلى تغيير الطريقة التي يفكر بها الباحثون في معالجة الاضطرابات النفسية، ومع ذلك فإن البنية الأساسية للترجمة الوراثية، هي التي تُعد بأن تكون أكثر دقة.