پژوهشگران در مطالعه‌ای چندمرکزی، سامانه‌ای مبتنی بر هوش مصنوعی معرفی کرده‌اند که خطر تبدیل ضایعات بالقوه بدخیم دهان به سرطان را در طول زمان برآورد می‌کند. این سامانه با نام «او‌سی‌ریسک‌نت» (OCRiskNet)، اطلاعات بالینی و بافت‌شناختی بیماران را برای ارائه پیش‌بینی فردی ترکیب می‌کند. نتایج پژوهش، هشتم اکتبر ۲۰۲۶ در نشریه «کامیونیکیشنز مدیسین» منتشر شده و امکان برنامه‌ریزی پیگیری بیماران بر اساس میزان خطر را مطرح کرده است.
ارزیابی ضایعات بالقوه بدخیم دهان، تنها به تشخیص اولیه محدود نمی‌شود. مسئله مهم در مراقبت بلندمدت، برآورد احتمال تغییر ماهیت ضایعه و تعیین شدت پیگیری موردنیاز هر بیمار است. در چنین شرایطی، ابزاری که بتواند اطلاعات موجود در پرونده را به برآوردی قابل‌فهم از خطر آینده تبدیل کند، ممکن است به تصمیم‌گیری دقیق‌تر کمک کند.
پژوهش تازه با همین هدف، بیماران مبتلا به «لکوپلاکیا» و وضعیت‌های «لیکنوئید دهانی» را بررسی کرده است. مطالعه، گذشته‌نگر بوده و داده‌های هنگ‌کنگ در فاصله سال‌های ۲۰۰۳ تا ۲۰۲۴ برای توسعه و ارزیابی داخلی مدل به‌کار رفته‌اند. پژوهشگران همچنین عملکرد سامانه را با داده‌های مستقل بریتانیا و سرزمین اصلی چین ارزیابی کرده‌اند تا قابلیت پیش‌بینی آن در جمعیت‌هایی خارج از مجموعه اولیه بررسی شود.
سامانه پیشنهادی، ویژگی‌های جمعیت‌شناختی، اطلاعات مواجهه با عوامل خطر، یافته‌های بالینی، اطلاعات درمان و نتایج بررسی بافت‌شناختی را در کنار یکدیگر تحلیل می‌کند. چارچوب محاسباتی آن، «تحلیل بقا» را با یادگیری عمیق تلفیق کرده است؛ روشی که در این کاربرد، هم وقوع بدخیمی و هم زمان بروز آن را در نظر می‌گیرد. به این ترتیب، خروجی موردنظر، برآورد خطر در طول زمان است.
در بخش فنی، پژوهشگران از شبکه «کولموگروف–آرنولد» با گره‌های آزاد و روشی برای غنی‌سازی احتمالاتی ویژگی‌ها استفاده کرده‌اند. بررسی سهم متغیرها و استخراج روابط ریاضی نیز بخشی از تلاش آنان برای توضیح‌پذیرکردن پیش‌بینی‌ها بوده است. اهمیت عملی این رویکرد در آن است که پزشک، علاوه بر دریافت برآورد خطر، بتواند عوامل مؤثر بر خروجی سامانه را بهتر بررسی کند. البته سهم یک متغیر در پیش‌بینی، به‌تنهایی اثبات نمی‌کند که آن متغیر علت ایجاد بیماری است.
بر اساس نتایج اعلام‌شده، شاخص توافق مدل در ارزیابی داخلی برای لکوپلاکیا ۰٫۹۲۰۹ و برای وضعیت‌های لیکنوئید ۰٫۹۲۰۷ بوده است. نویسندگان همچنین از نتایج مطلوب در اعتبارسنجی خارجی، انطباق برآوردهای خطر با پیامدهای مشاهده‌شده و تحلیل منحنی تصمیم خبر داده‌اند. این یافته‌ها، ظرفیت پژوهشی سامانه را برای تفکیک گروه‌های دارای خطر متفاوت نشان می‌دهند.
بااین‌حال، شاخص توافق حدود ۰٫۹۲ به معنای «تشخیص صحیح سرطان در ۹۲ درصد بیماران» نیست. این شاخص، توان مدل در مرتب‌کردن بیماران بر اساس خطر و زمان وقوع پیامد را ارزیابی می‌کند. برای قضاوت درباره عملکرد بالینی، باید مشخص شود احتمال‌های پیش‌بینی‌شده تا چه اندازه با واقعیت انطباق دارند و تصمیم‌گیری بر اساس آن‌ها چه سودی برای بیمار ایجاد می‌کند. راهنماهای روش‌شناختی نیز تأکید دارند که ارزیابی مدل‌های پیش‌بینی باید فراتر از یک شاخص عددی باشد.
از منظر کاربرد، چنین ابزاری می‌تواند به برنامه‌ریزی پیگیری متناسب با وضعیت هر بیمار کمک کند. برای مثال، شناسایی افراد دارای خطر بالاتر ممکن است مبنایی برای بررسی دقیق‌تر نیاز آنان به مراقبت تخصصی باشد. بااین‌حال، تعیین فاصله مراجعات یا انجام اقدامات تکمیلی به قضاوت بالینی وابسته است؛ خروجی مدل به‌تنهایی برای تعیین برنامه مراقبت کافی نیست. افزایش پیگیری نیز باید با منافع احتمالی، هزینه‌ها و احتمال اقدامات غیرضروری سنجیده شود.
پژوهشگران برای ارائه برآوردهای فردی، رابطی تحت وب طراحی کرده‌اند. این اقدام، استفاده از خروجی مدل را تسهیل می‌کند، اما وجود رابط کاربری به‌تنهایی نشانه آمادگی برای کاربرد گسترده پزشکی نیست. مطالعه گذشته‌نگر، عملکرد پیش‌بینی را ارزیابی می‌کند؛ اثبات اینکه استفاده روزمره از سامانه باعث تشخیص به‌موقع‌تر یا بهبود پیامد بیماران می‌شود، به ارزیابی اثر آن در محیط واقعی درمان نیاز دارد. همچنین، نتایج چند مرکز را نمی‌توان بدون بررسی به همه جمعیت‌ها تعمیم داد.
جایگاه این فناوری باید در کنار معاینه و بررسی تشخیصی تعریف شود. انجمن دندان‌پزشکی آمریکا در توصیه‌های سال ۲۰۲۶، نمونه‌برداری همراه با ارزیابی بافت‌شناختی را همچنان روش اصلی دستیابی به تشخیص قطعی معرفی کرده است. بنابراین، برآورد پایین خطر از سوی یک سامانه هوش مصنوعی نباید موجب تأخیر در بررسی ضایعه‌ای شود که از نظر بالینی مشکوک است.
این پژوهش، مسیر استفاده از داده‌های بالینی برای پیگیری شخصی‌سازی‌شده ضایعات دهانی را روشن‌تر می‌کند. ارزش بالقوه سامانه در کمک به برآورد خطر آینده و پشتیبانی از تصمیم پزشک است. گام تعیین‌کننده بعدی، بررسی این موضوع خواهد بود که استفاده از چنین پیش‌بینی‌هایی در مراقبت واقعی، تا چه اندازه تصمیم‌گیری، تخصیص خدمات تخصصی و پیامد بیماران را بهبود می‌دهد.
یادداشت تحریریه: اطلاعات اختصاصی پژوهش بر اساس چکیده و اطلاعات صفحه ناشر بازنویسی شده است. متن کامل مقاله در این بررسی در دسترس نبود؛ ازاین‌رو، تعداد بیماران، فاصله‌های اطمینان و جزئیات عددی اعتبارسنجی خارجی گزارش نشده‌اند.
منابع
۱. منبع اصلی پژوهش: لی و همکاران؛ «پیش‌بینی خطر متغیر در طول زمان برای اختلالات بالقوه بدخیم دهان با استفاده از یادگیری عمیق»، نشریه کامیونیکیشنز مدیسین، ۸ اکتبر ۲۰۲۶. صفحه مقاله در وبگاه ناشر
۲. منبع روش‌شناختی: افتیمیو و همکاران؛ «توسعه مدل‌های پیش‌بینی بالینی: راهنمای گام‌به‌گام»، مجله پزشکی بریتانیا، ۲۰۲۴. متن راهنما
۳. منبع ارزیابی مدل: کالینز و همکاران؛ «ارزیابی مدل‌های پیش‌بینی بالینی؛ بخش نخست: از توسعه تا اعتبارسنجی خارجی»، مجله پزشکی بریتانیا، ۲۰۲۴. چکیده در پایگاه پاب‌مد
۴. منبع بالینی رسمی: انجمن دندان‌پزشکی آمریکا؛ «تأکید دوباره بر اهمیت معاینه بالینی در تشخیص زودهنگام سرطان دهان»، ۲ مارس ۲۰۲۶. گزارش رسمی توصیه‌های بالینی
