เล่มที่ 29 ฉบับที่ 4 • ธันวาคม 2025
การเรียนรู้ของเครื่องจักรที่ตีความได้สำหรับการทำนายความผันผวนของการเคลื่อนไหวในผู้ป่วยโรคพาร์กินสันข้ามกลุ่ม
การเปลี่ยนแปลงการเคลื่อนไหว (Motor fluctuations: MF) เป็นภาวะแทรกซ้อนที่พบบ่อยและซับซ้อนในโรคพาร์กินสัน (Parkinson's disease: PD) ซึ่งได้รับอิทธิพลจากปัจจัยทางคลินิก พันธุกรรม และวิถีชีวิต การทำนายการเกิดภาวะนี้เป็นเรื่องที่ท้าทายอย่างยิ่ง เนื่องจากความแปรปรวนระหว่างบุคคลและความแตกต่างอย่างเป็นระบบในกลุ่มผู้ป่วยต่างๆ งานวิจัยเรื่อง “การเรียนรู้ของเครื่องจักรที่ตีความได้สำหรับการทำนายการเปลี่ยนแปลงการเคลื่อนไหวในโรคพาร์กินสันข้ามกลุ่มผู้ป่วย” (Interpretable Machine Learning for Cross-Cohort Prediction of Motor Fluctuations in Parkinson's Disease) ได้แก้ไขความท้าทายเหล่านี้โดยการประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่องจักร (ML) ที่ตีความได้กับข้อมูลจากกลุ่มผู้ป่วยโรคพาร์กินสัน 3 กลุ่มที่มีลักษณะเฉพาะที่ดี (LuxPARK, PPMI, ICEBERG)
คุณลักษณะสำคัญของงานวิจัยนี้คือการออกแบบการศึกษาแบบเปรียบเทียบกลุ่มตัวอย่าง (cross-cohort design) ซึ่งประเมินตัวทำนายจากชุดข้อมูลอิสระหลายชุด เพื่อให้มั่นใจได้ว่าผลลัพธ์มีความน่าเชื่อถือและสามารถนำไปใช้ได้ในวงกว้าง งานวิจัยก่อนหน้านี้ส่วนใหญ่ใช้กลุ่มตัวอย่างเดียวที่มีขนาดตัวอย่างเล็ก ซึ่งเพิ่มความเสี่ยงต่อการเกิดภาวะโอเวอร์ฟิตติ้ง (overfitting) และจำกัดความสามารถในการนำไปใช้ในวงกว้าง ในทางตรงกันข้าม งานวิจัยนี้ได้บูรณาการกลุ่มตัวอย่างหลายกลุ่มเข้าไว้ในแบบจำลองการทำนายแบบเดียวกัน และใช้การตรวจสอบความถูกต้องแบบตัดกลุ่มตัวอย่างออกทีละกลุ่ม (leave-one-cohort-out validation) ซึ่งเป็นการวางรากฐานที่แข็งแกร่งยิ่งขึ้นสำหรับการระบุตัวทำนายที่น่าเชื่อถือของ MF
การใช้โมเดลแมชชีนเลิร์นนิงที่ตีความได้ถือเป็นอีกแง่มุมใหม่ แทนที่จะพึ่งพาอัลกอริธึมแบบ "กล่องดำ" ที่ตีความไม่ได้ โมเดลเหล่านี้จะเน้นให้เห็นว่าตัวแปรแต่ละตัวมีความสัมพันธ์กับ MF อย่างไร เพื่อให้ได้ผลลัพธ์ที่แข็งแกร่งและสามารถนำไปใช้ได้กับกลุ่มตัวอย่างต่างๆ จึงได้นำวิธีการแมชชีนเลิร์นนิงหลายวิธีมาประยุกต์ใช้และเปรียบเทียบกัน รวมถึงอัลกอริธึมแบบต้นไม้สำหรับการจำแนกประเภทและการวิเคราะห์เวลาถึงเหตุการณ์ โดยบูรณาการกับวิธีการปรับค่ามาตรฐานข้ามกลุ่มตัวอย่างหลายวิธี
จากการประเมินเปรียบเทียบนี้ ได้มีการระบุแบบจำลองที่สามารถทำนาย MF ได้อย่างน่าเชื่อถือ พร้อมทั้งให้การจัดอันดับตัวทำนายที่ตีความได้และมีความแข็งแกร่ง ซึ่งวัดได้จากความถี่ของการเลือกคุณลักษณะในรอบการตรวจสอบแบบไขว้ มีการตรวจสอบตัวทำนายที่หลากหลาย รวมถึงการประเมินอาการทางด้านการเคลื่อนไหวและไม่ใช่การเคลื่อนไหว ลักษณะทางคลินิก และปัจจัยทางพันธุกรรม เช่น GBA และ LRRK2 การจัดอันดับคุณลักษณะที่สอดคล้องกันตลอดการตรวจสอบแบบไขว้ช่วยเสริมความมั่นใจว่าตัวทำนายที่ระบุมีความเสถียรและไม่ใช่สิ่งผิดปกติเฉพาะกลุ่ม ด้วยการเปรียบเทียบอัลกอริทึมหลายตัว การตรวจสอบแบบไขว้กลุ่ม และการเน้นความสามารถในการตีความ วิธีการนี้จึงเป็นกรอบการทำงานที่เข้มงวดสำหรับการค้นหาปัจจัยสำคัญที่กำหนดความเสี่ยงของ MF ใน PD และแสดงให้เห็นว่าการเรียนรู้ของเครื่องสามารถให้ข้อมูลเชิงลึกที่นำไปใช้ได้จริงและสามารถนำไปใช้ได้ในวงกว้าง นอกเหนือจากการวิเคราะห์แบบดั้งเดิม
หนึ่งในข้อค้นพบที่โดดเด่นที่สุดเกี่ยวข้องกับยาเลโวโดปาซึ่งเป็นยาที่ใช้กันทั่วไปในการรักษาโรคพาร์กินสัน แม้ว่าการรับประทานเลโวโดปาจะถูกมองว่าเป็นปัจจัยสำคัญที่ทำให้เกิดภาวะกล้ามเนื้ออ่อนแรง (MF) มานานแล้ว แต่แบบจำลองหลายตัวแปรข้ามกลุ่มแสดงให้เห็นว่าค่าการทำนายของเลโวโดปาไม่มีนัยสำคัญเมื่อพิจารณาถึงตัวบ่งชี้ที่สัมพันธ์กับการดำเนินของโรค เช่น ระยะเวลาของโรค ความรุนแรง และระยะของ Hoehn & Yahr (H&Y) สิ่งนี้บ่งชี้ว่าความสัมพันธ์ระหว่างเลโวโดปาและภาวะกล้ามเนื้ออ่อนแรงอาจไม่ได้เป็นอิสระ แต่สะท้อนให้เห็นถึงความสัมพันธ์ที่แข็งแกร่งกับการดำเนินของโรค ที่น่าสังเกตคือ การทดลองทางคลินิกเมื่อเร็วๆ นี้ยังเน้นย้ำว่าภาวะกล้ามเนื้ออ่อนแรงมีความเกี่ยวข้องอย่างใกล้ชิดกับการดำเนินของโรคมากกว่าการได้รับเลโวโดปาเอง ข้อมูลเชิงลึกเหล่านี้แสดงให้เห็นถึงประโยชน์ของการสร้างแบบจำลองหลายตัวแปรในการเปิดเผยความสัมพันธ์ที่ซับซ้อนระหว่างปัจจัยทางคลินิกต่างๆ
นอกเหนือจากตัวบ่งชี้ทางคลินิกแล้ว ปัจจัยทางพันธุกรรมยังให้ข้อมูลเชิงลึกที่สำคัญเกี่ยวกับความเสี่ยงของ MF การวิเคราะห์ข้ามกลุ่มพบว่าการกลายพันธุ์ของยีน GBA ที่ก่อให้เกิดโรคมีความสัมพันธ์กับความเสี่ยงที่สูงขึ้นในการเกิด MF ซึ่งสะท้อนถึงการดำเนินของโรคที่รุนแรงมากขึ้นในผู้ที่มียีนกลายพันธุ์เหล่านี้ การกลายพันธุ์ของยีน LRRK2 ก็เชื่อมโยงกับ MF เช่นกัน แต่มีอัตราความเสี่ยงที่ต่ำกว่า ทั้งการกลายพันธุ์ของยีน GBA และ LRRK2 มีความสัมพันธ์กับภาวะกล้ามเนื้อกระตุก ซึ่งเป็นภาวะแทรกซ้อนที่พบบ่อยของโรคพาร์กินสันที่เกี่ยวข้องกับ MF เน้นย้ำถึงผลกระทบหลายด้านของการกลายพันธุ์ทางพันธุกรรม การดำเนินของโรค และความรุนแรงของอาการ ผลการวิจัยเหล่านี้เน้นย้ำถึงคุณค่าของการรวมข้อมูลทางพันธุกรรมเข้าไว้ในแบบจำลองการทำนาย และแสดงให้เห็นว่าการวิเคราะห์ข้ามกลุ่มสามารถเปิดเผยตัวบ่งชี้ที่สามารถนำไปใช้ได้ทั่วไปและมีความหมายทางคลินิกได้อย่างไร
นอกเหนือจากการทำนายแล้ว แบบจำลองเหล่านี้อาจช่วยให้ข้อมูลในการออกแบบการทดลองทางคลินิกและการจัดการผู้ป่วยได้ดียิ่งขึ้น พวกมันสามารถชี้นำการคัดเลือกผู้เข้าร่วมตามความเสี่ยง ปรับปรุงตารางการติดตามผล และสนับสนุนการแทรกแซงในระยะเริ่มต้นที่มุ่งเป้าไปที่การชะลอการเกิด MF โดยรวมแล้ว การบูรณาการตัวทำนายที่หลากหลายเข้ากับแบบจำลองที่ได้รับการตรวจสอบความถูกต้องข้ามกลุ่มตัวอย่าง การศึกษาครั้งนี้ได้ให้กรอบการทำงานเชิงปริมาณและสามารถนำไปใช้ได้ทั่วไปสำหรับการทำนาย MF ใน PD ซึ่งอาจใช้เป็นแม่แบบสำหรับการศึกษาผลลัพธ์และสภาวะของโรคอื่นๆ ได้เช่นกัน การวิจัยติดตามผลควรปรับปรุงและตรวจสอบความถูกต้องของแบบจำลองการทำนายในกลุ่มตัวอย่างที่หลากหลายมากขึ้น เพื่อเพิ่มคุณค่าในการออกแบบการทดลองทางคลินิกที่แม่นยำในอนาคต