الذكاء الاصطناعي لتشخيص الأمراض النادرة: ماذا تقول الأدلة وما حدود الأدوات الحالية؟
الذكاء الاصطناعي لا «يشخّص» وحده الأمراض النادرة، لكنه يساعد المختصين على ترتيب المتغيرات الجينية وتحليل الصور السريرية واقتراح احتمالات يراجعها الطبيب. وتشير أبحاث إلى أن نحو 59% إلى 75% من مرضى الأمراض النادرة يبقون بلا تشخيص بعد الفحوص الجينية، لأن الصعوبة الكبرى تكمن في تفسير النتائج. هذا المقال للتثقيف ولا يُغني عن استشارة طبيب أو مستشار وراثة.
كيف كُتب هذا المقال
مبني على أوراق بحثية منشورة (وبعضها «ما قبل النشر» أي لم تُمرّ بمراجعة نهائية حسب موقع medRxiv أو bioRxiv) والروابط في آخر المقال. لا تجد هنا تجارب شخصية أو أرقام من مستشفيات لم نتحقق منها.
لماذا يصعب تشخيص الأمراض النادرة؟
حتى بعد تسلسل الجينوم، تبقى المشكلة في تحديد المتغير المسبب للمرض من بين نحو أربعة ملايين متغير غير ضار في كل جينوم، كما تصف ورقة بحثية عن نظام GEM. وتشير دراسة عن أداتي Exomiser وGenomiser إلى أن نسبة كبيرة من المرضى لا تزال بلا تشخيص بعد الفحوص لأن ترتيب المتغيرات وتفسيرها صعب.
أين يساعد الذكاء الاصطناعي فعليًا؟
ترتيب المتغيرات الجينية
Exomiser وGenomiser أداتان مفتوحتا المصدر تجمعان البيانات الجينية والأعراض المسجلة لترتيب الجينات والمتغيرات المرشحة. أظهرت الدراسة المذكورة أن ضبط المعاملات يحسّن الأداء، وأوصت باستخدام مصادر تنبؤ مثل REVEL وAlphaMissense وSpliceAI مع مراجعة يدوية لأعلى المتغيرات المرشحة، أي أن القرار يبقى للمختص.
تحليل الصور السريرية (ملامح الوجه)
Face2Gene أداة تستخدم شبكة عصبية اسمها DeepGestalt لتحليل صور الوجه واقتراح قائمة تشخيصات تفريقية، كما يوضح بحث نوعي عن استخدامها في الممارسة السريرية. وفي سلسلة حالات دولية منشورة عام 2025 أدّت نتائج الأداة إلى تغيير استراتيجية الفحص الجيني في بعض الحالات، لكنها سلسلة صغيرة لا تعمم على كل المرضى.
النماذج اللغوية (مثل نماذج المحادثة)
تظهر أنظمة حديثة تستخدم النماذج اللغوية لمراجعة الأدبيات الطبية مثل Evidence Aggregator ونظام RareCollab، لكنها أدوات مساعدة للمحلّلين. وتشير مراجع هذه الأبحاث إلى دراسة مقارنة تبيّن أن النماذج اللغوية لم تبلغ دقة أدوات دعم القرار التقليدية المختصة بالأمراض النادرة، فلا تعتمد على محادثة عامة لتشخيص حالة.
مشكلة المنطقة العربية: نقص البيانات الجينية
تشير أبحاث منشورة إلى أن سكان الشرق الأوسط وشمال أفريقيا ممثّلون تمثيلًا ضعيفًا في قواعد البيانات الجينية العالمية، إذ تذكر ورقة عن مشروع EGP1K المصري أنهم أقل من 1% من مشاركي دراسات ارتباط الجينوم الواسعة رغم أنهم نحو 6% من سكان العالم. ومن نتائج ذلك أن متغيرات شائعة عند العرب قد تُصنّف خطأً ك«نادرة» أو «غير مؤكدة الأهمية»، كما تذكر مراجعة عن الإمارات.
وهناك مبادرات إقليمية تسد هذه الفجوة، منها برنامج جينوم قطر (دراسة شملت 14,392 جينومًا)، وقاعدة Middle East Variation التي جمعت بيانات 2,116 شخصًا من المنطقة، ومشروع EGP1K لتسلسل جينومات 1,024 مصريًا، وبرنامج جينوم الإمارات. هذه الجهود مهمة لأن أدوات الترتيب تعتمد على قواعد بيانات مرجعية، وكلما تحسن تمثيل العرب فيها تحسن تفسير النتائج لهم.
ماذا يعني هذا للمريض والطبيب؟
- اعتبر أدوات الذكاء الاصطناعي دعمًا للقرار الطبي، لا بديلًا عنه.
- اسأل المختبر أو مستشار الوراثة عن قواعد البيانات المرجعية التي يعتمدون عليها وهل تشمل بيانات من المنطقة.
- إذا بقيت الحالة بلا تشخيص، اسأل عن إمكانية إعادة تحليل البيانات لاحقًا بأدوات وقواعد أحدث.
- احمِ بياناتك الجينية ولا ترفعها إلى أدوات ومواقع غير موثوقة.
أسئلة شائعة
هل يستطيع الذكاء الاصطناعي تشخيص مرضي من المنزل؟
لا. هذه أدوات يستخدمها مختصون مع بيانات سريرية وجينية، ولا يصح الاعتماد على محادثة عامة للتشخيص.
هل تشخيص الأمراض النادرة متاح في المنطقة العربية؟
تتفاوت الخدمات بين الدول والمستشفيات، اسأل طبيبك عن مراكز الوراثة الطبية المتاحة.
الخلاصة
الذكاء الاصطناعي يقلّل الوقت ويحسن ترتيب الاحتمالات، لكن القرار النهائي للمختص، ودقة النتائج للعرب تتوقف على تمثيلهم في قواعد البيانات. للمزيد عن تطبيقات الصحة المتاحة للجمهور، راجع أفضل تطبيقات الذكاء الاصطناعي للعناية بالصحة.