المقدمة يمثل العجز الكلوي المزمن (Chronic Kidney Disease - CKD) تحدياً صحياً عالمياً متزايداً، حيث يُصيب ما يقرب من 850 مليون فرد حول العالم . وتُعدّ الطبيعة الصامتة لهذا المرض من أخطر سماته، إذ يبقى ما يقرب من 90% من المصابين دون تشخيص، مما يؤدي إلى فقدان فرص التدخل المبكر وتدهور الحالة نحو الفشل الكلوي النهائي . في هذا السياق، يبرز الذكاء الاصطناعي (AI) كأداة تحويلية قادرة على إحداث نقلة نوعية في سرعة التشخيص ودقة التنبؤ، مما يسهم بشكل مباشر في إنقاذ حياة المرضى وتقليل الأعباء الصحية والاقتصادية. أولاً: التحديات التقليدية في تشخيص العجز الكلوي المزمن تعتمد الأساليب التقليدية لتشخيص العجز الكلوي المزمن على مؤشرات حيوية ثابتة مثل معدل الترشيح الكبيبي المقدر (eGFR) ومعادلات المخاطر الخطية مثل معادلة التعاون الوبائي للكلى (CKD-EPI) ومعادلة مخاطر الفشل الكلوي (KFRE) . وتواجه هذه الأدوات قيوداً جوهرية، منها محدودية الحساسية في الكشف المبكر، وعدم القدرة على تحديد المرضى ذوي التقدم السريع في المراحل الأولى، وضعف القابلية للتعميم عبر الفئات السكانية المختلفة . يُضاف إلى ذلك أن التقييم اليدوي والتوثيق يستهلكان حوالي 37% من يوم عمل الطبيب، مما يحد من الوقت المتاح للرعاية المباشرة ويؤدي إلى تفويت حالات حرجة . وتُشير الأدبيات إلى أن ما يقرب من 60% من حالات العجز الكلوي المزمن تبقى دون تشخيص، مما يعكس فجوة تشخيصية هائلة تتطلب حلولاً مبتكرة . ثانياً: كيف يعزز الذكاء الاصطناعي سرعة التشخيص؟ 1. دمج البيانات متعددة الأنماط والتحليل عالي الأبعاد تتمثل الميزة الجوهرية للذكاء الاصطناعي في قدرته على دمج وتحليل بيانات متعددة الأنماط تشمل السجلات الصحية الإلكترونية، والتصوير الطبي، والبيانات الجينية، والأجهزة القابلة للارتداء، مما يتجاوز حدود المؤشرات الحيوية الثابتة . وتُظهر النماذج القائمة على الذكاء الاصطناعي قدرة تمييزية محسّنة مقارنة بالأساليب الإحصائية التقليدية، خاصة عند دمج المسارات الطولية والمدخلات متعددة الأنماط . 2. الكشف المبكر من خلال نماذج التعلم العميق تُحقق نماذج التعلم العميق (Deep Learning) دقة تصنيف تتراوح بين 85% و99% في الكشف عن العجز الكلوي المزمن، اعتماداً على جودة البيانات وتجانس مجموعات المرضى . وقد أظهرت دراسة حديثة إمكانية الكشف عن العجز الكلوي المزمن من خلال تحليل فيديوهات تخطيط صدى القلب باستخدام الذكاء الاصطناعي، مما يفتح آفاقاً جديدة للفحص غير الباضع في سياقات سريرية متنوعة . 3. التنبؤ بمخاطر التقدم نحو الفشل الكلوي تصل قيم المنطقة تحت المنحنى (AUC) في نماذج الذكاء الاصطناعي للتنبؤ بنتائج مثل مرض الكلى في المرحلة النهائية إلى 0.85-0.96 . وتتفوق هذه النماذج على الأدوات التقليدية في تحديد المرضى المعرضين لخطر التقدم السريع، مما يتيح تدخلات علاجية مبكرة أكثر فعالية . 4. تطبيقات سريرية محددة تُثبت الفعالية في دراسة شملت 341 مريضاً، حقق نظام ذكاء اصطناعي مُهيأ وفق إرشادات KDIGO حساسية بلغت 97% ودقة 85% في تحديد مرضى العجز الكلوي المزمن المؤكد، وحساسية 87% ودقة 87% في تحديد المرضى المعرضين للخطر . كما تُظهر نماذج التعلم العميق لتجزئة الحجم الكلي للكلى في مرض الكلى المتعدد الكيسات أداءً يتفوق على الخبراء البشريين، مع تقليل وقت التجزئة اليدوية من 56 دقيقة إلى 8.5 دقائق فقط . ثالثاً: دور الذكاء الاصطناعي في إنقاذ حياة المرضى 1. الانتقال من الرعاية التفاعلية إلى الرعاية التنبؤية تُحدث نماذج الذكاء الاصطناعي تحولاً جوهرياً في نموذج الرعاية الكلوية، من نهج تفاعلي يعتمد على البيانات الثابتة إلى نموذج تنبؤي يستخدم المراقبة الفسيولوجية المستمرة وإعادة المعايرة الديناميكية للمخاطر والتنبؤ الفردي . ويتيح هذا التحول التدخل المبكر قبل حدوث التدهور الحاد في وظائف الكلى، مما ينقذ حياة المرضى الذين كانوا سيُكتشفون في مراحل متأخرة. 2. تحسين القرارات السريرية في وحدات العناية المركزة تُظهر نماذج التعلم العميق قدرة على التنبؤ بالإصابة الكلوية الحادة (AKI) في وحدات العناية المركزة، مما يسمح للفرق الطبية باتخاذ إجراءات وقائية فورية. وتُحقق نماذج التنبؤ بانخفاض ضغط الدم أثناء غسيل الكلى قيم AUROC تتراوح بين 0.89 و0.95، مما يقلل من المضاعفات الخطيرة المحتملة . 3. تحسين استراتيجيات العلاج الشخصية يتيح الذكاء الاصطناعي تحديد الأنماط الظاهرية الدقيقة للمرضى، مما يوجه التدخلات المستهدفة مثل العلاج بمثبطات النقل المشترك للصوديوم والجلوكوز-2 (SGLT2)، وتحسين توقيت بدء الغسيل الكلوي . ويُسهم هذا التخصيص في تحسين النتائج السريرية وتقليل معدلات الوفيات. لرئيس القسم الاستاذ الدكتور يونس عبد الرضا الخفاجي جامعة المستقبل الاولى في العراق