آینده روشن درمان اماس: چگونه تکنولوژی جدید روند بیماری شما را پیشبینی میکند؟
در این پست قراره که مقاله جدید و امید بخشی که درباره درمان ام اس منتشر شده رو بررسی کنیم.
ابتدا بهتر است ویدیو زیر رو ببینید تا با این مقاله علمی بهتر اشنا بشید و بعد از اون به متن توجه کنید
مقدمه
در
حال حاضر پزشکان، بیماری اماس را صرفاً بر اساس «علائم ظاهری و زمانبندی عود
کردن آنها» دستهبندی میکنند (مثلاً اینکه آیا بیمار هرازگاهی حملات دارد یا
بیماریاش دائماً در حال پیشرفت است). نویسندگان مقاله میگویند این روش مثل این
است که ماشینها را از روی رنگشان دستهبندی کنیم، در حالی که موتورهایشان شبیه به
هم است! به همین دلیل، چون این دستهبندیها ریشه در واقعیتهای زیستی و سلولی مغز
ندارند، پیشبینی آینده بیماری برای هر فرد یا انتخاب بهترین دارو بسیار دشوار
است.
نقش هوش مصنوعی (یادگیری ماشین):
دانشمندان
به جای انسان، تصمیم گرفتند از هوش مصنوعی (مدلی به نام SuStain) کمک بگیرند تا دادهها را بدون هیچ پیشفرضی
بررسی کند و خودش الگوهای پنهان را پیدا کند. پیش از این، از این هوش مصنوعی روی
عکسهای MRI دهها هزار بیمار استفاده شده بود تا
بیماران دستهبندی شوند. اما MRI یک نقطهضعف بزرگ دارد: فقط ساختارهای درشت
مغز و پلاکها را نشان میدهد و نمیتواند آسیبهای میکروسکوپی و پنهان رشتههای
عصبی را بهخوبی ثبت کند.
قطعه
گمشده پازل: آزمایش خون (sNfL):
برای
جبران ضعف MRI، محققان به سراغ یک پروتئین خاص در خون به
نام sNfL (نوروفیلامنت سبک) رفتند. این پروتئین بخشی
از اسکلت داخلی سلولهای عصبی است. وقتی عصبها آسیب میبینند، این ماده نشت کرده
و وارد خون میشود. بنابراین، یک نشانه بسیار دقیق و حساس از «آسیب عصبی در حال
پیشرفت» است. اما از آنجایی که آزمایش خون به تنهایی هم بینقص نیست، بهترین راه
ترکیب این دو ابزار است.
هدف
اصلی این مطالعه:
محققان میخواهند اطلاعات عکسهای MRI را با جواب آزمایش خون sNfL ترکیب کنند و همه را به هوش مصنوعی بسپارند.
هدفشان این است که:
- بیماران را به زیرگروههایی کاملاً بیولوژیک و واقعی
تقسیم کنند.
- دقت تشخیص و پیشبینی آینده بیماری را نسبت به زمانی که
فقط از MRI استفاده میشد، بالا ببرند.
- ببینند آیا این دستهبندی جدید میتواند مشخص کند کدام
بیمار زودتر مغزش تحلیل میرود، کدام بیمار پلاک جدید میزند و کدام بیمار به
درمان بهتر جواب میدهد.
روش
ها
محققان برای ساختن این
سیستم هوشمند، به دو گروه از بیماران نیاز داشتند: گروه اول برای آموزش دادن به
هوش مصنوعی و گروه دوم برای امتحان گرفتن از آن.
گروه آموزش (۱۸۹ نفر):
شامل بیمارانی بود که مدتها از بیماری اماس آنها میگذشت و بیماری در بدنشان جا
افتاده بود.
گروه آزمون یا امتحان
(۴۴۵ نفر): شامل بیمارانی بود که به تازگی متوجه بیماری خود شده بودند (مراحل
اولیه).
آنها چه اطلاعاتی را
به هوش مصنوعی دادند؟
برای هر بیمار سه دسته
اطلاعات جمعآوری شد:
وضعیت جسمی و بالینی:
نمره ناتوانی حرکتی بیمار (EDSS).
آزمایش خون (sNfL): که میزان تخریب سلولهای عصبی را نشان میدهد.
تصاویر دقیق مغز (MRI): محققان با استفاده از نرمافزارهای
پیچیده، عکسهای MRI را آنالیز کردند. آنها حجم بخشهای مختلف
مغز را اندازه گرفتند، تعداد و اندازه پلاکها (ضایعات) را شمردند و کیفیت بافتهای
به ظاهر سالم مغز را بررسی کردند. از دل این عکسها ۳۵ ویژگی مختلف عددی بیرون
کشیده شد.
غربالگری دادهها و
ساخت مدل اصلی:
ریختن ۳۵ ویژگی مختلف
به علاوه آزمایش خون در مدل میتوانست کار را پیچیده کند. بنابراین محققان
هوشمندانه عمل کردند. آنها بررسی کردند که کدامیک از این ۳۵ ویژگی MRI بیشترین ارتباط را با «ناتوانی و فلجی
بیمار» دارد. در نهایت، ۵ ویژگی برتر مغزی را انتخاب کردند.
سپس این ۵ ویژگی MRI را با نتیجه آزمایش خون (sNfL) ترکیب کرده و به یک هوش مصنوعیِ تخصصی به
نام SuStain دادند. این هوش مصنوعی طراحی شده است تا
ترتیبِ خراب شدن بخشهای مختلف بدن در طول بیماری را کشف کند.
آزمون و مقایسه (آیا
این روش واقعاً بهتر است؟):
برای اینکه ثابت کنند
اضافه کردنِ آزمایش خون به عکس MRI کار مفیدی بوده است، محققان سه مدل مختلف
ساختند و با هم مسابقه دادند:
مدلی که فقط با ۱۳
ویژگی عکس MRI کار میکرد (بدون آزمایش خون).
مدلی که فقط با ۵
ویژگی عکس MRI کار میکرد (بدون آزمایش خون).
مدل قهرمان (MRI-sNfL): مدلی که ۵ ویژگی برتر MRI را با آزمایش خون ترکیب کرده بود.
نتایج
در نهایت، از فرمولهای
پیچیده آماری (مثل مدلهای کاکس و همبستگی اسپیرمن) استفاده کردند تا ببینند آیا
این مدل ترکیبیِ جدید میتواند بهتر از بقیه تشخیص دهد که کدام بیمار در آینده
پلاکهای جدیدی در مغزش میزند، کدام بیمار مغزش سریعتر کوچک میشود و کدام بیمار
به داروها جواب بهتری میدهد یا خیر. (نکته ظریف این بود که چون عکسهای دو گروه
بیمار با دستگاههای متفاوتی گرفته شده بود، قبل از اجرای آمار، با یک نرمافزار
خاص رنگ و نور دادهها را همسانسازی کردند تا مدل به اشتباه نیفتد).
هوش مصنوعی موفق شد
بیماران اماس را نه از روی ظاهر و علائم، بلکه از روی «رفتار سلولی و ساختاری
مغزشان» به دو دسته کاملاً متفاوت تقسیم کند:
الف) زیرگروه اول:
گروه التهابی و پر سر و صدا (Early-sNfL)
پروفایل بالینی: این
بیماران معمولاً جوانتر هستند. از همان ابتدای بیماری، آزمایش خون آنها نشاندهنده
سطح بالای پروتئین sNfL است. این یعنی تخریب آکسونی و التهاب شدید
در جریان است.
وضعیت مغز: جسم پینهای
(Corpus
Callosum – پل ارتباطی بین دو نیمکره
مغز) در این افراد خیلی زود کیفیت ساختاری خود را از دست میدهد و پلاکهای جدید
با سرعت بالایی در مغزشان تشکیل میشود. آتروفی (کوچک شدن مغز) نیز در این گروه
سریعتر است.
خبر بد و خبر خوب: خبر
بد این است که خطر ایجاد ضایعات (پلاکهای) جدید در این بیماران ۱۴۴ درصد بیشتر از
گروه دوم است. اما خبر خوب این است که وقتی این بیماران دارو میگیرند، پاسخ بسیار
قدرتمند و سریعی به درمانهای ضدالتهابی میدهند و سطح sNfL و پلاکهای فعالشان به شدت افت میکند.
ب) زیرگروه دوم: گروه
خاموش و فرسایشی (Late-sNfL)
پروفایل بالینی: این
بیماران معمولاً سن بالاتری دارند و سطح ناتوانیشان (EDSS) کمی بیشتر است. ویژگی عجیب آنها این است
که در اوایل بیماری، پروتئین sNfL در خونشان بالا نمیرود و التهاب پر سر و
صدایی ندارند.
وضعیت مغز: به جای
التهاب شدید و پلاکهای زیاد، بیماری در این افراد به صورت "فرسایش
خاموش" خودش را نشان میدهد. نواحی عمیق مغز (مثل ماده خاکستری عمقی و قشر
لیمبیک) از همان ابتدا شروع به کوچک شدن (آتروفی) میکنند. افزایش فاکتور خونی sNfL در این افراد، در مراحل بسیار دیرتر بیماری
رخ میدهد.
واکنش به درمان: چون
مشکل اصلی در این گروه بیشتر تخریب تدریجی سلولی (Neurodegeneration) است تا التهاب حاد، داروهای رایجی که فقط
سیستم ایمنی را سرکوب میکنند روی کاهش پلاکهای آنها تأثیر چشمگیری (مثل گروه
اول) ندارند.
نتیجهگیری نهایی از
این یافتهها:
محققان نشان دادند که
اضافه کردن یک آزمایش خون ساده (sNfL) به تصاویر MRI و سپردن آنها به هوش مصنوعی، میتواند
دقیقاً به ما بگوید بیمار در کدام دسته قرار دارد. این مدل جدید توانست نمره
ناتوانی (EDSS) بیماران و ایجاد پلاکهای آینده را بسیار
دقیقتر از زمانی پیشبینی کند که پزشکان فقط به عکسهای MRI تکیه میکردند.
به زبان سادهتر: این
روش به پزشک اجازه میدهد بفهمد آیا بیمار در فاز "التهاب و حمله" قرار
دارد (که باید سریعاً با داروهای قوی سرکوب شود) یا در فاز "تحلیل مغزی
خاموش" است (که رویکرد درمانی متفاوتی میطلبد).
بخش نتیجهگیری، تمام
تلاشهای این مقاله را در چند جمله کوتاه و اثرگذار خلاصه میکند. اگر بخواهیم
پیام نهایی محققان را به صورت کاربردی بیان کنیم، داستان از این قرار است:
بیماری اماس یکشکل
نیست: محققان ثابت کردند که اماس در همه بیماران یکسان عمل نمیکند و تنوع
بیولوژیکی (ناهمگونی) زیادی دارد. این بیماری در سطح سلولی، مسیرهای متفاوتی را طی
میکند که از روی ظاهر بیمار قابل تشخیص نیست.
تکمیل پازل با دو
ابزار متفاوت: عکسهای MRI اطلاعات خوبی از ساختار مغز میدهند، اما به
تنهایی کافی نیستند. آزمایش خون (sNfL) با اینکه نشاندهنده تخریب عمومی سلولهای
عصبی است، وقتی در کنار تصاویر MRI قرار میگیرد، نقاط کورِ عکسبرداری را پوشش
میدهد و تصویر کاملی از میزان فعالیت بیماری و تخریب پنهانِ مغز ارائه میدهد.
آینده درمان اماس:
بزرگترین دستاورد این روش ترکیبی (آزمایش خون + اسکن مغز + هوش مصنوعی) این است که
پزشکان دیگر مجبور نیستند تا زمان بروز علائم شدید صبر کنند یا داروها را با روش
«آزمون و خطا» تجویز کنند. آنها میتوانند در همان مراحل اولیه تشخیص دهند که
بیمار دقیقاً در کدام زیرگروه قرار دارد و آینده بیماریاش چگونه است.
کلام آخر:
این مقاله نشان میدهد که ما در آستانه ورود به دوران «پزشکی شخصیسازیشده» در درمان اماس هستیم؛ دورانی که در آن، داروی هر فرد بر اساس پروفایل دقیق ژنتیکی، خونی و تصویریِ خودش (و نه فقط علائم ظاهری) تجویز میشود تا بیمار بهترین نتیجه ممکن را از درمان بگیرد و از آسیبهای آینده جلوگیری شود.
برای اطلاعات بیشتر می توانید مقاله اصلی را از لینک زیر دانلود نمایید.
https://pmc.ncbi.nlm.nih.gov/articles/PMC12678051/pdf/awaf331.pdf
برای اطلاع از تازه ترین مطالب دنیای مغز و اعصاب به کانال نوروپامین در بله و تلگرام بپیوندید