یه چارچوب هوشمند واسه پیش‌بینی اینکه بیماران سرطان سینه داروشونو منظم می‌خورن یا نه!

ببین، اگه کلی بخوام بگم، خیلی از کسایی که بیماری مزمن دارن (یعنی مثلا سرطان سینه یا دیابت و اینا) واقعا توی اینکه داروشونو به موقع و درست بخورن مشکل دارن. آمارش عجیب غریبه: تقریباً نصف این بیمارا نسخه پزشکشونو اونجوری که باید رعایت نمی‌کنن! خب معلومه آخرش هم باعث میشه مرگ و میر بالا بره، هزینه‌ها زیاد بشه و آدم‌ها الکی زجر بکشن!

حالا، این قضیه مخصوصاً درباره زن‌هایی که سرطان سینه‌شون مرحله 0 تا 3 بوده و الان بهبود پیدا کردن (یعنی همون “Breast Cancer Survivors”, کسایی که درمان شدن) خیلی اهمیت داره. این آدما معمولاً باید یه مدت طولانی داروهایی مثل Tamoxifen یا همون بازدارنده‌های آروماتاز (Aromatase Inhibitors؛ داروهایی که جلوی هورمون زنونه رو می‌گیرن تا مانع برگشت سرطان شن) رو مصرف کنن. تحقیقات نشون داده اگه آدم این داروها رو به طور منظم بخوره، احتمال اینکه دیگه سرطانش برنگرده خیلی بالاتر میره!

ولی خب، چرا بعضیا داروشونو خوب مصرف نمی‌کنن؟ دارن کلی مدل و تئوری مطرح می‌کنن تا بفهمن چی باعث میشه بعضیا خوب باشن، بعضیا نه. توی این مقاله، محقق‌ها یه چارچوب کامپیوتری (یعنی مجموعه‌ای از مدل‌های پیش‌بینی با کامپیوتر) طراحی کردن تا ببینن رفتار آدم‌ها تو مصرف دارو رو میشه پیش‌بینی کرد یا نه و کدوم عوامل مهم‌ترن.

اینا اومدن هم وقایع اخیر رو بررسی کردن (مثلاً اینکه تو یکی دو روز یا یکی دو هفته اخیر داروی طرف خوب خورده یا نه، که بهش میگن Dynamic factors یا عوامل پویا)، هم یه سری چیزای ثابت‌تر مثل سن، وضعیت اجتماعی-اقتصادی و … (به اینا میگن Static factors یا عوامل ثابت). هدف؟ بفهمن تو بازه‌های زمانی مختلف (مثلاً هر روز یا هر هفته)، چه چیزایی مهم‌ترن برای پیش‌بینی اینکه آدم داروشو می‌خوره یا نه.

یه بخش جالب کارشون اینه که این چارچوب‌شون رو بر اساس Social Cognitive Theory ساختن. اینم یه تئوری روانشناسیه که میگه رفتارهای آدم تحت تاثیر تعامل فکر و باورهاش با محیطش شکل میگیره. تو این بحث یعنی، اینکه آدم‌ها درباره بیماری و داروهاشون چی فکر می‌کنن و چه جور حمایتی از اطرافشون می‌گیرن خیلی تاثیر داره.

حالا بریم سر داده‌ها و نتایج.
مدل‌هایی که ساختن، هم مدل روزانه ساختن هم هفتگی. مدل روزانه دقت فوق‌العاده‌ای داشته: دقت (Accuracy) ۸۷.۲۵٪، دقت پیش‌بینی درست (Precision) ۹۲.۰۴٪، مقدار بازیابی (Recall) ۹۳.۱۵٪ و شاخص اختصاصی بودن (Specificity) ۷۷.۵۰٪. واسه مدل هفتگی هم دقت ۷۶.۰۴٪، Precision ۷۵.۸۳٪، Recall ۸۵.۸۰٪ و Specificity ۷۲.۳۰٪ رو داشتن. اگر این عددها یکم گنگه، خلاصه‌اش اینه که مدلشون بهتر از خیلی از مدل‌های یادگیری ماشین سنتی عمل کرده؛ یعنی خروجی که میده قابل اعتمادتره.

یه نتیجه خفن که از این بررسی گرفتن این بود که “الگوی مصرف داروی چند روز اخیر” از همه چیز برای پیش‌بینی اینکه فرد امروز داروشو می‌خوره یا نه مهم‌تره. یعنی مثلاً اگه کسی سه روز غیبش بزنه احتمال زیاد چهارمین روز هم نمی‌خوره. اما برای بازه‌های بزرگ‌تر (مثلاً پیش‌بینی هفتگی)، ترکیب همون عوامل دینامیک و ثابت مهم میشه. اینکه آدم تو چند وقت اخیر چطور بوده ولی سن و شرایط زندگیش هم اثر میذاره.

البته خود محقق‌ها هم قبول دارن که مدل‌هاشو نقص دارن. مثلاً این که کل مطالعه روی یه گروه خاص بوده (همون Cohort-specific bias یعنی جانبداری گروهی)، بیشتر اطلاعاتشون رو خود افراد گفتن (Self-reported data یعنی اطلاعاتی که آدم‌ها خودشون دادن، که میتونه دقیق نباشه)، و این‌که هنوز دقیق نمی‌دونن چرا گاهی دارو خورده نمیشه، یعنی شاید جزئیات بیشتری لازمه.

اونا پیشنهاد دادن که باید مدل رو تو جمعیت‌های دیگه هم امتحان کرد و حتی در آینده از سنسورهای هوشمند استفاده کرد (مثلاً همون داروهای هوشمند یا گجت‌هایی که نشون بدن کی دارو خورده میشه)، تا تحلیل‌ها واقعی‌تر باشه و بهتر بفهمیم چرا بعضیا پایبند نیستن.

در نهایت، نتیجه مقاله اینه که این نوع رویکردهای چندجانبه که بر اساس تئوری‌های روانشناسی ساخته میشن و هم عوامل روزمره رو می‌گیرن هم فاکتورهای غیرقابل تغییر رو، می‌تونه هم به ما خط‌دهی کنه چطور مداخلات شخصی‌تر و تکنولوژی-محور برای بهبود مصرف دارو طراحی کنیم، هم همکاری بین بیمار، پزشک و مراقب رو قوی‌تر کنه تا آدما بلندمدت پایبند بمونن و سالم‌تر زندگی کنن.

تو یک جمله: اگه بشه با دیتا و مدل‌های هوشمند رفتار دارویی آدما رو بفهمیم، میشه کلی جون نجات داد و کلی زحمت و هزینه رو کم کرد!
منبع: +