مدل‌های پیش‌بینی هوشمند؛ کلید کاهش عوارض ریوی در عصر ایمونوتراپی

همزمان با تحول شگفت‌انگیز ایمونوتراپی در درمان سرطان‌های پیشرفته ریه، ما با چالش جدیدی مواجه شده‌ایم: مدیریت سمیت‌های ناشی از ترکیب پرتودرمانی و ایمونوتراپی، به‌ویژه پنومونیت یا التهاب ریه. این عارضه که می‌تواند حتی کُشنده باشد، یک عامل محدودیت  جدی است و متأسفانه پیش‌بینی اینکه کدام بیماران به آن دچار خواهند شد، همواره کاری دشوار و تا حد زیادی مبتنی بر تجربه بالینی بوده است.

مطالعه ای که به تازگی ارائه شده، پاسخی هوشمندانه به این چالش با استفاده از توانایی‌های یادگیری ماشین و علم رادیومیکس است. این پژوهش به‌درستی بر این موضوع تمرکز کرده که چگونه می‌توان با تحلیل ویژگی‌های ظریف و نامشهود در تصاویر ساده CT شبیه‌سازی - که حتی از چشم تیزبین متخصصان نیز پنهان می‌مانند - بیماران پرخطر برای ابتلا به پنومونیت را پیش از آغاز درمان شناسایی کرد. این رویکرد، همان چیزی است که به آن «پزشکی پیش‌بینانه» می‌گوییم؛ یعنی جلوتر از بیماری حرکت کردن.

نکته جالب توجه در این مدل، ترکیب هوشمندانه داده‌ها است. پژوهشگران تنها به ویژگی‌های رادیومیکس اکتفا نکرده‌اند، بلکه با تلفیق این داده‌های پیشرفته با اطلاعات کلینیکی ساده اما حیاتی مانند سن، وضعیت سیگار و پارامترهای پرتودرمانی (V20Gy)، به دقت پیش‌بینی مدل خود را به شکل قابل‌توجهی افزایش داده‌اند. این نگاه جامع، از یک مدل نظری صرف به یک ابزار کاربردی و قوی تبدیلشده است.

اما یافته بسیار کلیدی و عمیقاً امیدوارکننده این مطالعه، زمانی آشکار شد که این مدل برای بیماران تحت «پرتودرمانی تطبیقی» (ART) به کار گرفته شد. در این بیماران، مدل به شکل سیستماتیکی تعداد زیادی از بیماران را که در واقعیت دچار پنومونیت نشده بودند، به عنوان پرخطر پیش‌بینی کرد (یعنی Overprediction یا مثبت کاذب داشت). به جای اینکه این نتیجه را یک شکست برای مدل بدانیم، به نظر من این یافته گواهی قدرتمند بر اثربخشی خود پرتودرمانی تطبیقی است!

توضیح آن این است: در ART، ما در طول درمان، با استفاده از تصویربرداریهای مکرر، طرح درمان را به طور پویا با تغییرات آناتومیکی بدن بیمار (مثلاً کوچک شدن تومور) تطبیق می‌دهیم. این کار باعث می‌شود حجم کمتری از بافت ریوی سالم در معرض پرتو با دوز بالا قرار گیرد. به نظر می‌رسد همین تطبیق و بهینه‌سازی مداوم، خطر بروز پنومونیت را حتی در بیمارانی که از نظر الگوریتم «پرخطر» شناسایی می‌شوند، به شکل مؤثری کاهش می‌دهد. بنابراین، این مدل نه‌تنها یک ابزار پیش‌بینی، بلکه به صورت غیرمستقیم یک سنجه برای ارزیابی کیفیت و موفقیت روش پرتودرمانی تطبیقی نیز هست.

جمع‌بندی من این است که این مطالعه گامی بلند به سوی آینده‌ای است که در آن با استفاده از هوش مصنوعی، درمان هر بیمار را به صورت کاملاً شخصی‌سازی شده برنامه‌ریزی می‌کنیم. ما می‌توانیم پیش‌بینی کنیم که کدام بیماران نیازمند مراقبت‌های تهاجمی‌تر، پایش تنفسی دقیق‌تر یا حتی استفاده از تکنیک‌های پیشرفته‌ای مانند ART هستند تا از بروز عوارض جدی در آنها جلوگیری کنیم. این پژوهش نشان می‌دهد که تلفیق داده‌های کلینیکی، تصویربرداری و هوش مصنوعی، نه یک انتخاب، که یک ضرورت برای ارتقای ایمنی و کیفیت درمان در رادیوانکولوژی مدرن است.

نویسنده: دکتر پوریا عادلی، متخصص رادیوانکولوژی