هل يمكن التنبؤ بشكل أفضل بخطر السكتة الدماغية لدى المرضى المصابين بالرجفان الأذيني؟

يصيب الرجفان الأذيني أكثر من 58 مليون شخص في جميع أنحاء العالم ويزيد بشكل كبير من خطر الإصابة بالسكتة الدماغية. ومع ذلك، تبقى الأدوات الحالية لتقييم هذا الخطر، مثل النظم الكلاسيكية للتقييم، غير دقيقة ولا تأخذ بعين الاعتبار التفاعلات المعقدة بين مختلف عوامل صحة المرضى.

طورت فريق من الباحثين نماذج جديدة للذكاء الاصطناعي قادرة على التنبؤ بخطر السكتة الدماغية خلال سنة لدى المرضى الذين تم تشخيصهم مؤخراً بالرجفان الأذيني. تستخدم هذه النماذج فقط معلومات متاحة بسهولة: العمر، التاريخ الطبي والأدوية التي يتناولها المريض. على عكس الطرق التقليدية، تحلل هذه الأدوات العلاقات الدقيقة بين هذه العناصر لتقديم تقدير شخصي وأكثر موثوقية.

النتائج مقنعة. أظهرت النموذجان المختبران، أحدهما يعتمد على نهج إحصائي كلاسيكي والآخر على تقنية متقدمة للتعلم الآلي، قدرة على تمييز المرضى المعرضين للخطر بدقة أعلى بكثير من الطرق الموجودة. تم التحقق من أدائهما على مجموعات متنوعة من المرضى، مما يؤكد موثوقيتهما في سياقات سريرية مختلفة. بالإضافة إلى ذلك، تسمح هذه النماذج بتعديل عتبات الخطر وفقاً للاحتياجات الفردية، وهو ما يكون مفيداً بشكل خاص للمرضى المسنين أو الذين يعانون من مشاكل صحية متعددة.

ميزة رئيسية أخرى هي سهولة استخدامها. لا تتطلب هذه النماذج إجراء فحوصات دم أو تصوير طبي، والتي غالباً ما تكون غير متاحة في وقت التشخيص. هذا يجعلها متاحة للاستخدام اليومي في المستشفيات. كما تحقق الباحثون من أن هذه الأدوات تعمل بشكل جيد لكل من الرجال والنساء، مما يتجنب التحيزات المتعلقة بالجنس.

على المدى الطويل، تساعد هذه النماذج أيضاً في تحديد المرضى الذين سيستفيدون أكثر من العلاج المضاد للتخثر. تظهر البيانات أن المرضى الذين يصنفون على أنهم معرضون لخطر عالي من قبل هذه الأدوات يشهدون انخفاضاً كبيراً في خطر الإصابة بالسكتة الدماغية إذا تناولوا هذه الأدوية، على عكس أولئك الذين يتم تحديدهم باستخدام الطرق التقليدية.

هذا التقدم يفتح الباب أمام طب أكثر تخصيصاً. قد يعتمد الأطباء قريباً على هذه التنبؤات لتكييف العلاجات وفقاً للملف الفريد لكل مريض، مما يقلل من عدد السكتات الدماغية التي يمكن تجنبها ويحسن من إدارة الرجفان الأذيني.

Sources et crédits

Étude source

DOI : https://doi.org/10.1038/s41746-026-02470-3

Titre : Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation

Revue : npj Digital Medicine

Éditeur : Springer Science and Business Media LLC

Auteurs : Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai