يمكن للذكاء الاصطناعي (AI) والتعلم الآلي (ML) اكتشاف وتشخيص متلازمة المبيض المتعدد الكيسات (PCOS) بشكل فعال، وهو اضطراب الهرمونات الأكثر شيوعًا لدى النساء والذي يحدث عادةً بين سن 15 و 45 عامًا، وفقًا لدراسة جديدة من المعاهد الوطنية للصحة (NIH). قام الباحثون بمراجعة الدراسات العلمية المنشورة بشكل منهجي باستخدام الذكاء الاصطناعي/التعلم الآلي لتحليل البيانات لتشخيص وتصنيف متلازمة تكيس المبايض ووجدوا أن البرامج المستندة إلى الذكاء الاصطناعي/التعلم الآلي كانت قادرة على اكتشاف متلازمة تكيس المبايض بنجاح.
"نظرًا للعبء الكبير المتمثل في نقص التشخيص والتشخيص الخاطئ لمتلازمة تكيس المبايض في المجتمع وعواقبه الوخيمة المحتملة، أردنا تحديد فائدة الذكاء الاصطناعي/التعلم الآلي في تحديد المرضى الذين قد يكونون معرضين لخطر الإصابة بمتلازمة تكيس المبايض"، قالت المؤلفة المشاركة في الدراسة جانيت هول، دكتوراه في الطب، وباحثة كبيرة وأخصائية الغدد الصماء في المعهد الوطني لعلوم الصحة البيئية (NIEHS)، وهو جزء من المعاهد الوطنية للصحة (NIH). "إن فعالية الذكاء الاصطناعي والتعلم الآلي في اكتشاف متلازمة تكيس المبايض أكثر إثارة للإعجاب مما كنا نعتقد."
تحدث متلازمة المبيض المتعدد الكيسات عندما يفشل المبيضان في العمل بشكل صحيح، ويصاحب ذلك في كثير من الحالات ارتفاع مستويات هرمون التستوستيرون. يمكن أن يسبب المرض عدم انتظام الدورة الشهرية، حب الشباب، شعر الوجه، أو تساقط الشعر على الرأس. تتعرض النساء المصابات بمتلازمة تكيس المبايض بشكل عام لخطر متزايد للإصابة بمرض السكري من النوع 2 والنوم والاضطرابات النفسية والقلب والأوعية الدموية وغيرها من الاضطرابات الإنجابية مثل سرطان الرحم والعقم.
وقال كبير مؤلفي الدراسة سكاند شيخار، دكتوراه في الطب، وهو طبيب باحث مساعد وأخصائي الغدد الصماء في المعاهد الوطنية للصحة: "إن تشخيص متلازمة تكيس المبايض يمكن أن يكون صعبا نظرا لتداخله مع حالات أخرى". "تعكس هذه البيانات الإمكانات غير المستغلة لدمج الذكاء الاصطناعي/التعلم الآلي في السجلات الصحية الإلكترونية وغيرها من الإعدادات السريرية لتحسين تشخيص ورعاية النساء المصابات بمتلازمة تكيس المبايض."
يوصي مؤلفو الدراسة بدمج الدراسات السكانية الكبيرة مع مجموعات البيانات الصحية الإلكترونية وتحليل الاختبارات المعملية الشائعة لتحديد المؤشرات الحيوية التشخيصية الحساسة التي يمكن أن تساعد في تشخيص متلازمة تكيس المبايض.
يتم تشخيص متلازمة تكيس المبايض بناءً على معايير موحدة تطورت على مر السنين ومقبولة على نطاق واسع، ولكنها تشمل بشكل عام المظاهر السريرية (مثل حب الشباب ونمو الشعر الزائد وعدم انتظام الدورة الشهرية) بالإضافة إلى النتائج المخبرية (مثل ارتفاع هرمون التستوستيرون في الدم) والنتائج الإشعاعية (مثل الخراجات الصغيرة المتعددة وزيادة حجم المبيض في الموجات فوق الصوتية على المبيض). ومع ذلك، غالبًا ما يتم التغاضي عن متلازمة تكيس المبايض لأن بعض ميزات متلازمة تكيس المبايض قد تتعايش مع حالات أخرى مثل السمنة والسكري واضطرابات القلب والأوعية الدموية.
يشير الذكاء الاصطناعي إلى استخدام الأنظمة أو الأدوات المعتمدة على الكمبيوتر لتقليد الذكاء البشري والمساعدة في اتخاذ القرارات أو التنبؤات. تعلم الآلة هو أحد فروع الذكاء الاصطناعي الذي يركز على التعلم من الأحداث السابقة وتطبيق هذه المعرفة على القرارات المستقبلية. يستطيع الذكاء الاصطناعي معالجة كميات كبيرة من البيانات المختلفة، مثل تلك التي يتم الحصول عليها من السجلات الصحية الإلكترونية، وبالتالي فهو أداة مساعدة مثالية في تشخيص الحالات التي يصعب تشخيصها مثل متلازمة المبيض المتعدد الكيسات.
أجرى الباحثون مراجعة منهجية لجميع الدراسات التي راجعها النظراء باستخدام الذكاء الاصطناعي/التعلم الآلي للكشف عن متلازمة تكيس المبايض المنشورة في الـ 25 عامًا الماضية (1997-2022). وبمساعدة أمين مكتبة ذي خبرة في المعاهد الوطنية للصحة، حدد الباحثون الدراسات التي يحتمل أن تكون مؤهلة. قاموا بفحص ما مجموعه 135 دراسة وأدرجوا 31 في هذه المقالة. كانت جميع الدراسات قائمة على الملاحظة وتقييم استخدام تقنيات الذكاء الاصطناعي/التعلم الآلي في تشخيص المرضى. وشملت حوالي نصف الدراسات صور الموجات فوق الصوتية. وكان متوسط عمر المشاركين في الدراسة 29 عامًا.
في 10 دراسات استخدمت معايير تشخيصية موحدة لتشخيص متلازمة تكيس المبايض، تراوحت دقة الكشف من 80% إلى 90%.
وقال شيخار: "من خلال طرق التشخيص والتصنيف المختلفة، كان أداء الذكاء الاصطناعي/التعلم الآلي جيدًا للغاية في اكتشاف متلازمة تكيس المبايض، وهو الاستنتاج الأكثر أهمية من دراستنا".
يشير المؤلفون إلى أن المشاريع القائمة على الذكاء الاصطناعي والتعلم الآلي لديها القدرة على تحسين قدرتنا بشكل كبير على اكتشاف النساء المصابات بمتلازمة تكيس المبايض في وقت مبكر، وبالتالي توفير التكاليف ذات الصلة وتقليل العبء الذي تفرضه متلازمة تكيس المبايض على المرضى ونظام الرعاية الصحية. إن متابعة البحث مع ممارسات التحقق والاختبار القوية ستمكن من التكامل السلس للذكاء الاصطناعي/التعلم الآلي مع الحالات الصحية المزمنة.