ترجمة: أ. نورهان مشي
1. المقدمة والخلفية النظرية والسريرية
تُعَدّ اضطرابات النمو العصبي (Neurodevelopmental Disorders – NDDs) لدى الأطفال مجموعة غير متجانسة من الحالات الطبية والعصبية التي تتسبب في فرض قيود جوهرية ومستمرة على المجالات النمائية الأساسية؛ مثل الوظائف المعرفية، والتعبير اللغوي، والتكيف السلوكي، والمهارات الحركية الكبرى والدقيقة. وتضم هذه المجموعة السريرية بالدرجة الأولى: اضطراب طيف التوحد (ASD)، واضطراب فرط الحركة وتشتت الانتباه (ADHD)، والإعاقة الفكرية، وصعوبات التعلم النوعية (SpLDs)، واضطراب التناسق النموذجي الحركي (DCDs). وتشير التقديرات الوبائية العالمية إلى أن نحو 20% من الأطفال حول العالم يعانون من اضطرابات نفسية أو نمائية مختلفة تتطلب رعاية تاهيلية وتشخيصية متخصصة.
تتمثل التحديات الكبرى في التقييمات السريرية والتشخيصية التقليدية لاضطرابات النمو العصبي في الآتي:
الاعتماد على الملاحظة السلوكية والمقابلات التشخيصية التي تتسم بنسبة عالية من الذاتية والتفاوت بين الممارسين والعيادات.
طول زمن التقييمات التقليدية وتأخر الوصول للتشخيص التدخلي المبكر.
احتمالية التشخيص الخاطئ أو المتأخر نتيجة تداخل المظاهر السريرية والنمائية بين الاضطرابات المختلفة.
في هذا السياق الميداني والسريري، يُقدم الذكاء الاصطناعي (Artificial Intelligence – AI) حلولاً، واستراتيجيات، وتدخلات تشخيصية واعدة قائمة على الأدلة والبيانات العميقة. يمتلك الذكاء الاصطناعي قدرات معالجة فائقة تسمح بتحليل البيانات السريرية، وصور الرنين المغناطيسي، والمؤشرات الحيوية الرقمية، وتتبع الأنماط السلوكية، مما يُقلل من التباين بين الأطباء ويُسرع عملية الكشف والتدخل المبكر.
تهدف هذه المراجعة النطاقية الشاملة المعتمدة على إرشادات PRISMA-ScR وبروتوكول معهد جونا بريجز (JBI)—والمسجلة في منصة Open Science Framework تحت رقم (OSF.IO/JXH5Y)—إلى رسم خريطة للأدبيات العلمية الممتدة حتى يناير 2025 وتقييم دقة تقنيات الذكاء الاصطناعي في الكشف عن اضطرابات النمو العصبي لدى الأطفال.
2. منهجية البحث والتقييم المنهجي (Methods)
تم إجراء مسح شامل ومحدد لقواعد البيانات العلمية (PubMed, LILACS, CUMED, Medline, Google Scholar) والمجلات المتخصصة لعلم النفس للفترة الممتدة من عام 2000 حتى يناير 2025.
معايير الشمول والفرز
تضمنت المراجعة النهائية 22 دراسة علمية متخصصة تم تقييمها بواسطة ثلاثة مراجعين مستقلين مع إدارة البيانات عبر برنامج Rayyan. واشترطت الدراسات إدراج مقاييس دقة تشخيصية موثقة (مثل: الحساسية Sensitivity، النوعية Specificity، والمساحة تحت المنحنى AUC-ROC).
3. نتائج تطبيقات الذكاء الاصطناعي التشخيصية (Results)
أسفر التحليل الوصفي للدراسات المشمولة عن استخلاص أربعة محاور تقنية رئيسية للذكاء الاصطناعي في التقييم والتشخيص:
النموذج التقني المستخدم | الاضطراب السريري المستهدف | وسيلة البيانات والمدخلات | النواتج ومقاييس الدقة التشخيصية |
التعلم العميق والشبكات التلافيفية (CNNs / DNNs) | المواليد الخدج ومخاطر النمائي الحركي واللغوي | الرنين المغناطيسي العصبوني للشبكات الدماغية (fMRI/dMRI). | دقة تجاوزت 81.5% وقيم AUC وصلت إلى 0.86 لتوقع القصور المعرفي والحركي. |
التعلم الآلي الخاضع للإشراف (SVM / H-ELM) | تصنيف الأنماط الفرعية لفرط الحركة (ADHD) والتوحد | الرنين التشريحي للسمك القشري وأجهزة قياس الحركة. | دقة تصنيف تجاوزت 92.3% للأنماط الفرعية لفرط الحركة، وحساسية 88% للتوحد. |
أنظمة دعم القرار السريري الحاسوبية (CDSS) | تشتت الانتباه وتأخر النمو العصبي العام | البيانات السريرية، المقابلات وسجلات الملاحظة. | تقليل زمن التقييم، ورفع دقة التشخيص بمقدار 15%، بنسبة خطورة (OR: 15.6). |
المؤشرات الحيوية والواقع الافتراضي (VR + Biosignals) | اضطراب طيف التوحد (ASD) | النشاط الكهربائي للجلد (EDA)، رسم الدماغ (EEG)، والقلب (ECG). | حساسيات تشخيصية وصلت إلى 91% ونوعية 85% مع زيادة دقة التصنيف بنسبة 18%. |
تجميع نماذج التعلم والتجميع الجيني (Ensemble + SMOTE) | المكونات الجينية المسببة للتوحد | الأنماط الجينية وسلسلة جينات SFARI. | رفع دقة التنبؤ بالجينات المسببة للتوحد إلى 95.5%. |
4. المناقشة والتحديات والأخلاقيات (Discussion & Challenges)
أثبتت المراجعة المنهجية أن تقنيات الذكاء الاصطناعي تمتلك قدرة استثنائية على الكشف المبكر عن اضطرابات النمو العصبي لدى الأطفال وتوفير تقييمات موضوعية دقيقة. إلا أن الممارسة الميدانية والتطبيق السريري المباشر يواجهان عدة تحديات وعوائق رئيسية:
4.1 العقبات الميدانية المحددة
صغر حجوم العينات وصعوبة التعميم: اعتمدت معظم النماذج على بيانات أثرية أو عينات محددة الحجم (مثل دراسات Saha et al. و Qureshi et al.) مما يقلل القدرة على تعميم النتائج على مجتمعات أوسع.
غياب التحقق السريري الحقيقي: اقتصر التقييم في معظم النماذج على بيئات تجريبية ومعملية دون اختبارها في المستشفيات الحقيقية، باستثناء دراسات Carroll et al. الميدانية.
عدم تجانس النماذج والتقييمات: عدم وجود إطار معياري موحد لتحديد المتغيرات ذات الأولوية أو مقاييس الأداء المعتمدة.
4.2 الاعتبارات الأخلاقية والتنظيمية
خصوصية البيانات وأمانها: تتطلب بيانات الأطفال الجينية والسلوكية حماية فائقة واستراتيجيات موافقة مستنيرة محدثة.
قابلية التفسير (Explainability): تُعاني نماذج التعلم العميق من مشكلة “الصندوق الأسود” (Black Box) مما يجعل المعالج يحتاج إلى فهم كيفية اتخاذ القرار لضمان الثقة السريرية.
العدالة والتحيز الخوارزمي: احتمالية وجود تحيز في النماذج إذا تم تدريبها على عينات غير ممثلة لكافة الأطياف العرقية والاجتماعية والاقتصادية.
5. الاستنتاج والتوصيات المستقبلية (Conclusions)
تخلص هذه المراجعة النطاقية إلى أن الذكاء الاصطناعي يُعد أداة تحولية واعدة تُسهم في دعم التشخيص المبكر والتقييم الدقيق لاضطرابات النمو العصبي لدى الأطفال.
التوصيات الرئيسية للمرحلة القادمة:
إجراء دراسات متعددة المراكز (Multicenter Validation): استخدام قواعد بيانات موسعة تشمل أطيافاً سكانية متنوعة لرفع كفاءة النماذج.
تطوير نموذج الذكاء الاصطناعي القابل للشرح (Explainable AI): تعزيز شفافية الخوارزميات لتسهيل اعتمادها من قبل الأطباء والمعالجين.
صياغة أطر تنظيمية وأخلاقية: وضع معايير لحماية خصوصية بيانات الأطفال وضمان العدالة الرقمية في المناطق المحدودة الموارد.
المرجع:
Artificial intelligence in diagnosis of pediatric neurodevelopmental disorders: a scoping review
https://link.springer.com/content/pdf/10.1007/s12519-025-00999-z.pdf
