لنفوم سلول T تهاجمی شکل نادر و ویرانگر سرطان خون با نرخ بقای بسیار پایین پنج ساله است. بیماران اغلب پس از دریافت درمان اولیه عود میکنند و کنترل این بیماری ویرانگر را برای پزشکان دشوار میسازد.
در یک مطالعه جدید، محققان MIT، با همکاری محققان کنسرسیوم PETAL در بیمارستان عمومی ماساچوست، یک نشانگر پیش آگهی عملی و قدرتمند را شناسایی کردند که می تواند به پزشکان کمک کند تا بیماران پرخطر را زودتر شناسایی کنند و به طور بالقوه استراتژی های درمانی را برای بهبود بقا تطبیق دهند.
این تیم دریافت که اگر بیماران در عرض ۱۲ ماه پس از درمان اولیه عود کنند، شانس زنده ماندن آنها به طور قابل توجهی کاهش می یابد. محققان می گویند برای این بیماران، درمان های هدفمند ممکن است شانس بقای آنها را در مقایسه با شیمی درمانی سنتی افزایش دهد.
این یافته بر اساس تجزیه و تحلیل آنها با استفاده از داده های جمع آوری شده از هزاران بیمار در سراسر جهان، صرف نظر از درمان اولیه بیمار یا امتیاز آنها در شاخص پیش آگهی پرکاربرد، در بین زیر گروه های بیمار صادق است.
یک چارچوب استنتاج علّی به نام کنترلهای بقای مصنوعی (SSC)، که به عنوان بخشی از پایاننامه دانشجوی فارغالتحصیل MIT، جسی (Xinyi) Han ایجاد شد، در این تحلیل نقش اساسی داشت. این چارچوب همه کاره به پاسخ به سؤالات «چه میشد اگر» کمک میکند تا پیشبینی کند که چگونه زمانبندی نتایج تحت مداخلات مختلف متفاوت خواهد بود، در حالی که بر محدودیتهای دادههای متناقض و مغرضانه غلبه میکند.
شناسایی گروه های خطر جدید می تواند پزشکان را در هنگام انتخاب درمان هایی که بقای کلی را بهبود می بخشد راهنمایی کند. برای مثال، یک پزشک ممکن است آزمایشهای بالینی در مراحل اولیه را بر درمانهای استاندارد برای این گروه بیمار اولویت دهد. به گفته محققان، نتایج می تواند معیارهای ورود به برخی کارآزمایی های بالینی را مشخص کند.
چارچوب استنتاج علی برای تجزیه و تحلیل بقا نیز می تواند به طور گسترده تری اعمال شود. به عنوان مثال، محققان MIT از آن برای بررسی اینکه چگونه عوامل ساختاری منجر به تکرار جرم در زمینه هایی مانند عدالت کیفری می شود استفاده کرده اند.
Andrewbisoral Engrate Shahnaer و Devavratic Engineering Earna، می گوید: “ما اغلب نه فقط به آنچه اتفاق می افتد، بلکه به زمانی که رویداد هدف رخ می دهد علاقه مندیم. این مشکلات “زمان-اگر” برای مدت طولانی تحت رادار باقی مانده اند، اما در بسیاری از زمینه ها رایج هستند. برای پاسخ به این سوالات با داده، ما در اینجا نشان داده ایم که برای پاسخ به این سوالات با داده ها، به متخصصان حوزه و روش های استنتاج علّی خوب نیاز دارید تا بینشی برای بستن حلقه ارائه دهید.” و علوم کامپیوتر در MIT و یکی از اعضای موسسه داده ها، سیستم ها و علوم کامپیوتر. جامعه (IDSS) و آزمایشگاه اطلاعات و سیستمهای تصمیمگیری (LIDS) و همنویسندگان این مطالعه بودند.
شاه با بسیاری از نویسندگان همکار در مقاله همراه شده است. اینها عبارتند از خان، که توسط شاه مشاوره می شود، و فوتینی کریستیا، استاد بین المللی فورد علوم اجتماعی در دپارتمان علوم سیاسی و مدیر IDSS. و نویسندگان مرتبط Mark N. Sorial، داروساز بالینی و محقق در موسسه سرطان Dana-Farber، و Salvia Jain، پزشک-محقق در مرکز سرطان بیمارستان عمومی ماساچوست، بنیانگذار کنسرسیوم جهانی PETAL و استادیار پزشکی در دانشکده پزشکی هاروارد. تحقیق کنید امروز در مجله ظاهر می شود خون.
پیش بینی نتایج
محققان MIT چند سال گذشته را صرف توسعه چارچوب استنتاج علی کنترل بقا مصنوعی کردهاند. این چارچوب آنها را قادر می سازد تا در شرایطی که از نظر آماری استفاده از داده های موجود دشوار است به سؤالات پیچیده «وقتی-اگر» پاسخ دهند. رویکرد آنها پیشبینی میکند که هنگام استفاده از یک مداخله خاص، رویداد هدف چه زمانی رخ خواهد داد.
در این مقاله، محققان سرطان تهاجمی به نام لنفوم سلول T بالغ گره را بررسی کردند و اینکه آیا یک نشانگر پیش آگهی خاص منجر به پیامدهای بدتر می شود یا خیر. نشانگر TTR12 نشان می دهد که بیمار طی ۱۲ ماه پس از درمان اولیه عود کرده است.
آنها چارچوب خود را برای پیشبینی زمان مرگ بیمار مبتلا به TTR12 و اینکه اگر این نشانگر پیشآگهی وجود نداشته باشد، مسیر بقای آنها متفاوت خواهد بود، اعمال کردند.
هان توضیح میدهد: “هیچ کارآزمایی نمیتواند به این سوال پاسخ دهد، زیرا ما دو نتیجه را برای یک بیمار میخواهیم. ما باید اطلاعاتی را از سایر بیماران بهدست آوریم تا به طور خلاف واقع پیشبینی کنیم که نتیجه بقای بیمار چگونه خواهد بود.”
پاسخ به چنین سؤالاتی به دلیل سوگیری در داده های مشاهده ای موجود دشوار است. علاوه بر این، داده های بیمار جمع آوری شده از یک گروه بین المللی چالش های منحصر به فرد خود را ارائه می دهد. به عنوان مثال، یک مجموعه داده بالینی اغلب حاوی برخی از داده های تاریخی در مورد یک بیمار است، اما در برخی مواقع ممکن است بیمار درمان را متوقف کند و منجر به سوابق ناقص شود.
علاوه بر این، اگر بیمار درمان خاصی را دریافت کند، ممکن است بر زمان بقای بیمار تأثیر بگذارد و پیچیدگی داده ها را افزایش دهد. علاوه بر این، برای هر بیمار، محققان تنها یک نتیجه را مشاهده میکنند که مدت زمان زنده ماندن بیمار است. این مقدار داده های موجود را محدود می کند.
چنین مشکلاتی منجر به عملکرد غیربهینه بسیاری از روش های کلاسیک می شود.
چارچوب کنترل بقا مصنوعی می تواند بر این چالش ها غلبه کند. اگرچه محققان تمام جزئیات مربوط به هر بیمار را نمی دانند، روش آنها اطلاعات بسیاری از بیماران دیگر را به گونه ای ترکیب می کند که می تواند نتایج بقا را پیش بینی کند.
مهمتر از آن، روش آنها برای مفروضات مدل سازی خاص قوی است، و آن را به طور گسترده در عمل قابل استفاده است.
قدرت پیش بینی
تجزیه و تحلیل محققان نشان داد که بیماران TTR12 به طور مداوم در معرض خطر مرگ و میر در طی پنج سال از درمان اولیه نسبت به بیماران بدون نشانگر بودند. این بدون توجه به درمان اولیه که بیماران دریافت کرده اند یا به کدام زیرگروه تعلق دارند صادق است.
هان می گوید: “این به ما می گوید که عود زودرس یک پیش آگهی بسیار مهم است. این به عنوان یک سیگنال برای پزشکان عمل می کند تا آنها بتوانند در مورد درمان های خاصی فکر کنند که می تواند بر مقاومت در خط دوم یا سوم برای این بیماران غلبه کند.”
در آینده، محققان قصد دارند این تجزیه و تحلیل را به گونه ای گسترش دهند که داده های ژنومی با ابعاد بالا را شامل شود. از این اطلاعات می توان برای ایجاد درمان های خاصی استفاده کرد که می تواند در عرض ۱۲ ماه از عود بیماری جلوگیری کند.
شاه می گوید: “بر اساس مطالعه ما، یک ابزار محاسبه خطر وجود دارد که قبلاً توسط پزشکان استفاده می شود. با اطلاعات بیشتر، می توانیم این ابزار را به ابزاری غنی تر تبدیل کنیم که می تواند جزئیات پیش آگهی بیشتری را ارائه دهد.”
آنها همچنین چارچوب را در زمینه های دیگر اعمال می کنند.
برای مثال، در مقالهای که اخیراً در کنفرانس سیستمهای پردازش اطلاعات عصبی ارائه شد، محققان تفاوت چشمگیری را در میزان تکرار جرم در میان زندانیان نژادهای مختلف یافتند که حدود هفت ماه پس از آزادی شروع میشود. یک توضیح احتمالی این است که گروههای نژادی مختلف دسترسی متفاوتی به حمایت طولانیمدت دارند. آنها همچنین حوزههای دیگری را که در آن چارچوب میتواند بینشهای عملی ایجاد کند، در حین بررسی تصمیمهای افراد برای ترک شرکتهای بیمه بررسی میکنند.
هان می گوید: “همکاری با متخصصان در این زمینه بسیار مهم است زیرا می خواهیم نشان دهیم که روش های ما در دنیای واقعی ارزشمند هستند. امیدواریم بتوان از این ابزارها برای تاثیرگذاری مثبت بر افراد در سراسر جامعه استفاده کرد.”
این مطالعه تا حدی توسط Daiichi Sankyo، Secure Bio، Inc.، Acrotech Biopharma، Kyowa Kirin، مرکز تحقیقات لنفوم، موسسه ملی سرطان، بیمارستان عمومی ماساچوست، صندوق تحقیقات لنفوم رید، انجمن سرطان آمریکا، و بنیاد اسکارلت تامین شد.