استخدام AI لمساعدة الأطباء في تشخيص أمراض جينية نادرة تصيب الأطفال

حتى مع التسلسل الجينومي، لا يحصل كثير من المصابين بأمراض نادرة أبدًا على تشخيص جيني واضح. يبقى نحو نصفهم بلا تشخيص بعد اختبارات مكثفة ومراجعة متخصصة. قد تحتوي بياناتهم الطبية على دلائل، لكن العثور عليها قد يتطلب غربلة آلاف إلى ملايين المتغيرات الجينية المحتملة، وسجلات سريرية متفرقة، وأدبيات علمية سريعة التغير.

ومع تراكم علاقات جديدة بين الجينات والأمراض، وتقارير حالات، وأدلة تصنيف، قد تصبح الحالات غير المحلولة قابلة للتفسير من جديد.

استخدم باحثون من مركز مانتون لأبحاث الأمراض اليتيمة في مستشفى بوسطن للأطفال، وجامعة هارفارد، وOpenAI نموذج الاستدلال OpenAI o3 البحث التفصيلي لتحليل معلومات سريرية وجينومية منزوعة الهوية من 376 حالة حُللت سابقًا وبقيت غير محلولة. كشف النموذج للباحثين والأطباء تفسيرات مرشحة مرتبطة بالأدلة لمراجعتها. وبعد مراجعة الخبراء، وإجراء اختبارات إضافية، والتأكيد السريري، أثبت الأطباء تشخيصات في 18 حالة، أي عائدًا تشخيصيًا إضافيًا قدره 4.8% بعد تحليل سابق أجراه متخصصون. نُشرت هذه الدراسة في 18 يونيو 2026 في NEJM AI، وتوضح كيف يمكن لسير عمل بحثي بمساعدة AI أن يساعد الخبراء على توليد خيوط متابعة عند إعادة النظر في بعض أصعب الحالات.

كانت كثير من هذه الحالات قد أفلتت من سنوات من تحليل الخبراء. في هذه الدراسة، ساعد OpenAI o3 البحث التفصيلي الباحثين على تحديد خيوط متابعة قُيمت لاحقًا عبر عمليات سريرية معتمدة، ما يشير إلى أن إعادة التحليل الدورية بقيادة الخبراء قد تصبح أكثر قابلية للتوسع مع تطور المعرفة. لم يشخّص النموذج أي مريض ولم يتخذ أي قرار سريري. بل أنتج فرضيات مرتبطة بالأدلة لكي يراجعها المتخصصون، وعند الاقتضاء يحققوا فيها باختبارات إضافية ويؤكدوها في مختبر سريري.

لا تكون نتيجة الاختبار الجيني غير الحاسمة دائمًا حكمًا نهائيًا. قد تتوزع أوصاف النمط الظاهري للمريض ونتائج الاختبارات وتاريخ العائلة عبر قواعد بيانات تستخدم معرّفات وتنسيقات ومفردات مختلفة. وربط هذه السجلات صعب، لذلك قد يفوت التشخيص حتى على المتخصصين. وقد يسلسل الخبراء أيضًا جينوم طفل قبل ربط جين ذي صلة أو متغيراته بمرض ما. ومع تقدم المعرفة العلمية، يمكن للبيانات نفسها أن تكشف إجابات كان من المستحيل اكتشافها سابقًا.

إعادة تحليل الأمراض النادرة مشكلة علمية ومشكلة صيانة في آن واحد. قد يبقى جينوم المريض كما هو، لكن الأدلة المحيطة به تظل تتغير: يربط الباحثون جينات ومتغيرات جديدة بالأمراض، وتعيد المختبرات تصنيف متغيرات قديمة، وتتراكم ملاحظات جديدة في قواعد بيانات الحالات والأوراق العلمية. كل تحديث قد يجعل حالة قديمة غير حاسمة جديرة بإعادة النظر، لذا ترث مؤسسات كثيرة قائمة متنامية من الجينومات التي يجب إبقاؤها متزامنة مع قاعدة معرفة متحركة.

في هذه الدراسة، صمم الباحثون سير العمل بحيث يعمل النموذج كطبقة استدلال تبدأ بالتفسير فوق مسارات التحليل الجينومي القائمة. فبدلًا من إرجاع جين مرتب فقط، طُلب منه ربط السمات السريرية ونمط الوراثة وأدلة المتغيرات والأدبيات العلمية في تبرير يمكن للمراجع البشري مساءلته. 

لكل حالة، جمع الفريق حزمة منزوعة الهوية تضم مصطلحات موحدة من أنطولوجيا النمط الظاهري البشري لوصف العرض السريري للمريض، وملاحظات سريرية عرضية وأي تشخيص سريري وصفي، وبيانات وصفية مثل العمر والجنس، وجدول متغيرات مُرشّحًا. سجّل الجدول ندرة كل متغير، وتأثيره المتوقع في البروتين المشفّر، وتصنيفه في ClinVar، وجودة الإشارة عبر أفراد العائلة المتاحين. شملت معظم الحالات بيانات من الطفل وكلا الوالدين البيولوجيين.

طلب الفريق من النموذج اقتراح التفسير الجزيئي الأكثر وجاهة وإظهار مسار عمله. ثم راجع الباحثون المخرجات باستخدام إطار ACMG/AMP نفسه الذي تستخدمه المختبرات السريرية لتصنيف المتغيرات الجينية. راجع كل مرشح عضوان من الفريق على الأقل، وحُسمت الخلافات بالتوافق، ولم تُعامل مخرجات النموذج قط على أنها تشخيص. لم تُحتسب النتيجة تشخيصًا إلا بعد أن راجع خبراء مؤهلون الأدلة، وصُنّف المتغير على أنه ممرض أو مرجح الإمراض، وأكده مختبر معتمد من CLIA، وأعاد الفريق السريري النتيجة إلى العائلة.

قبل تحليل الحالات غير المحلولة، نقح الفريق سير العمل على حالات ذات تشخيصات مثبتة. واستعاد الجين والمتغير الصحيحين في تشغيلين مكررين لـ48 من أصل 51 حالة شملت طيفًا من الحالات النادرة. وفي مجموعة من 57 حالة عصبية عضلية، أعاد سير العمل التشخيص الصحيح في تشغيلين مكررين لـ45 حالة. وفي مجموعة من 15 حالة جينومية بقراءات طويلة، سمّى الجين الصحيح في كل حالة وكلا الأليلين المسببين للمرض في 12 حالة. ساعدت هذه التقييمات في تطوير المطالبة وأظهرت المواضع التي بقيت فيها مراجعة الخبراء ضرورية.

توافقت درجات الثقة التي أبلغ عنها النموذج ذاتيًا مع التشخيصات الصحيحة في هذه الحالات المحلولة سابقًا: كان متوسط الدرجة الدنيا 85.6 للنداءات الصحيحة باستمرار و42.1 للنداءات الخاطئة أو غير المعروفة. لم تكن الدرجات احتمالات معايرة، ولم يستخدمها الفريق بديلًا عن الأدلة أو التحكيم السريري. لكنها أفادت في توجيه المراجعين الخبراء للتركيز على التشخيصات المرشحة الأكثر وعدًا. 

ثم طبق الفريق سير العمل على أربع مجموعات من حالات غير محلولة سابقًا: أطفال لديهم حالات نمائية عصبية، وأشخاص مصابون بمرض عصبي عضلي نادر، وأطفال ومراهقون مصابون بذهان مبكر، وحالات وفاة مفاجئة غير متوقعة لدى الأطفال. لم تكن هذه حالات جديدة تنتظر مراجعتها الأولى. فقد كان كثير منها قد خضع بالفعل لفحص عبر مسارات تجارية أو مؤسسية متعددة، ونوقش ضمن فرق متعددة التخصصات.

بعد أن كشف النموذج عن مرشحين وأكمل الخبراء المراجعة والتأكيد السريري، أثبت الأطباء تشخيصات في 4.8% من الحالات. هذه النسبة متواضعة لكنها ذات معنى في هذه الفئة، لأن مراجعات الخبراء السابقة لم تحل الحالات. تبلغ دراسات إعادة التحليل المشابهة عن مكاسب من رقم واحد في الحالات التي خضعت لمراجعة مكثفة؛ أما العوائد الأعلى فتأتي عادة من دراسات تضم حالات جديدة أو اضطرابات معروفة جيدًا تنتظر تأكيدًا جينيًا.

من بين التشخيصات الـ18، كانت 7 إعادة اكتشاف: تشخيصات ثبتت خارج سير العمل البحثي المحلي لكنها كانت غائبة عن السجل الذي راجعه الفريق. في عدة حالات، كانت المتغيرات مدرجة بالفعل على أنها ممرضة أو مرجحة الإمراض في قواعد بيانات عامة، ما يبرز التحدي التشغيلي المتمثل في تجميع المعلومات عبر مصادر البيانات.

في إحدى حالات الذهان المبكر، استنتج النموذج حدثًا بنيويًا في الجينوم لم يكن مذكورًا في بيانات الإدخال. وربط سلسلة من النداءات منخفضة الجودة على الكروموسوم 22 بسمات الطفل القلبية والمناعية والنمائية العصبية والنفسية، ثم افترض وجود حذف 22q11.2 مرتبط بمتلازمة دي جورج. وقد تأكد هذا المتغير المفترض بتسلسل جينومي لاحق.

رغم أن المطالبة طلبت سببًا أحادي الجين، كشف النموذج أحيانًا عن جينين يفسران عرضًا معقدًا على نحو أفضل. ساعدت متغيرات في LAMA2 وFOXP1 معًا على تفسير السمات العضلية والنمائية العصبية في إحدى الحالات؛ وكانت لدى حالة أخرى علة ثنائية الجين لم تكن معروفة سابقًا تشمل TTN وSRPK3.

إلى جانب التشخيصات، حدد النموذج أيضًا تفسيرًا آليًا جديدًا محتملًا لحالة تُسمى البهاق. في إحدى الحالات النمائية العصبية، أبرز النموذج حذفًا مكونًا من 11 حمضًا أمينيًا في S1PR1 لدى شخص مصاب بالبهاق. يشفر S1PR1 مستقبلًا على سطح الخلية يشارك في الإشارات وحركة الخلايا المناعية وبيولوجيا الأنسجة. دمج النموذج أدلة تشير إلى أن الحذف قد يغير بنية المستقبل وإشاراته بطرق تقلل إنتاج الصبغة، مع مساعدة الخلايا المناعية أيضًا على البقاء في الجلد.

تتطلب العلاقة المقترحة بين S1PR1 والبهاق تحققًا تجريبيًا إضافيًا، لكنها توضح دورًا قويًا لـAI في تحويل نتائج متفرقة من علم الأحياء البنيوي والمناعة وعلم الوراثة السريري إلى فرضيات ملموسة قابلة للاختبار.

رأى الفريق أيضًا احتمال توسع في النمط الظاهري ضمن مجموعة الأمراض العصبية العضلية. لم تتطابق المتغيرات الضارة في HSPB8 وCDK13 تمامًا مع أشهر الاضطرابات المعروفة للجينين، ما يشير إلى طيف سريري أوسع ستحتاج حالات أكثر وأعمال مخبرية إلى اختباره.

تُظهر هذه الدراسة أن نموذج استدلال عام الأغراض يمكن أن يسهم في إعادة التحليل الجينومي بأثر رجعي عبر الجمع بين النمط الظاهري والوراثة وتعليقات المتغيرات وأنماط جودة البيانات والأدبيات العلمية في فرضيات قابلة للمراجعة. كما تُظهر لماذا تهم إعادة التحليل الدورية: فبعض الإجابات لا تظهر إلا بعد تقدم المعرفة أو جمع السجلات المتفرقة.

لا يشكل هذا البحث دليلًا على أن المرضى أو الأطباء أو العملاء ينبغي أن يستخدموا نماذج OpenAI لتشخيص الأمراض أو اتخاذ قرارات طبية. ولا يصف أو يؤيد استخدامًا مقصودًا من العملاء لـOpenAI o3 البحث التفصيلي أو ChatGPT أو أي منتج آخر من OpenAI لأغراض التشخيص. لم يشخّص النموذج أي مشارك؛ فقد أجرى الأطباء وغيرهم من الخبراء السريريين المؤهلين كل تشخيص عبر عمليات مراجعة واختبار وتأكيد سريري معتمدة.

كانت الدراسة بأثر رجعي، وكانت المجموعات غير متجانسة، ولم يكن المراجعون معميين عن ثقة النموذج. لم يقس الباحثون الوقت الموفر أو التكلفة أو جهد الطبيب أو عبء النتائج الإيجابية الكاذبة أو التغيرات في الرعاية. كما لم يقيّموا منهجيًا أشكالًا أخرى من التباين الجيني، مثل المتغيرات البنيوية، أو توسعات التكرار، أو التغيرات العميقة داخل الإنترونات، أو الفسيفسائية.

يمكن للنماذج اللغوية الكبيرة (LLM) أن تسيء قراءة السياق أو تنتج تفسيرات تبدو معقولة لكنها لا تصمد أمام الفحص الدقيق. لذلك مرّت كل نتيجة عبر تحكيم بشري وتأكيد سريري. وسّع النموذج نطاق البحث ووجّه التحليل اللاحق بقيادة البشر؛ لكنه لم يقرر أي معلومات أو تشخيص ينبغي إعادته إلى العائلة.

استخدمت هذه الدراسة معلومات منزوعة الهوية، من دون استخدام أي معلومات صحية محمية أو نقلها خارج البيئات المعتمدة. سيتطلب النشر السريري الأوسع العناية نفسها بالخصوصية والأمن وقابلية التدقيق والتنظيم المحلي التي تنطبق على كل الرعاية الطبية. لا يحل الوصول إلى النموذج محل بنية التسلسل التحتية، أو الاستشارة الوراثية، أو الاختبارات التأكيدية، أو حكم المتخصصين.

ينبغي للدراسات الاستباقية متعددة المراكز أن تقارن إعادة التحليل بمساعدة النماذج اللغوية الكبيرة (LLM) بالممارسة القياسية من حيث العائد التشخيصي، والوقت اللازم للوصول إلى مرشح، وجهد الطبيب، وعبء النتائج الإيجابية الكاذبة، والتكلفة، والآثار على الرعاية. ستكون المطالبات ذات الإصدارات المحددة، وفحوص المراجع، وسجلات التدقيق، وعدم اليقين المعاير مهمة لقابلية التكرار والسلامة. ستظل مثل هذه الدراسات تتطلب أطباء مؤهلين لتقييم الأدلة، وطلب الاختبارات المناسبة، واتخاذ أي قرار تشخيصي أو علاجي.

استخدمت هذه الدراسة OpenAI o3 البحث التفصيلي. يمكن للنماذج الأحدث ذات الأغراض العامة أن تبحث في مزيد من المواد العلمية وتولفها، بينما صُممت أنظمة مخصصة مثل GPT‑Rosalind لعمل أعمق في علوم الحياة، بما في ذلك تأثيرات المتغيرات في بنية البروتين ووظيفته. لم تُختبر هذه القدرات هنا، وستحتاج إلى تقييماتها الخاصة وضوابط وصولها.

بينما ساعدت OpenAI في دعم هذه الدراسة البحثية الأولية، سيقود مركز مانتون المرحلة التالية من العمل من خلال منحة من مؤسسة OpenAI. ستدعم المنحة الجهد الأوسع للمركز لتطوير مساعد AI في علم الوراثة منخفض التكلفة وغير مقيد بمنصة محددة، يساعد الفرق السريرية على تحليل حالات الأمراض النادرة بسرعة واتساق أكبر.

تكمن فرصة البحث الأطول مدى في استكشاف ما إذا كانت إعادة التحليل بقيادة الخبراء وبمساعدة AI يمكن أن تساعد الفهم العلمي على مواكبة الاكتشاف. لا يكمن الوعد في أن يحل AI محل تشخيص الطبيب، بل في أن أدوات البحث المقيمة بعناية قد تساعد المتخصصين على تحديد أدلة تستحق التحقيق. بالنسبة إلى آلاف العائلات، لا ينبغي أن تظل أسئلة اليوم بلا إجابة إلى الأبد.