تظهر أبحاث جديدة أن تقنيات تعلم الآلة قادرة على سد الفجوات الكبيرة في الأدلة العلمية المتعلقة بسلامة الأدوية أثناء الحمل. ونشر تقرير في مجلة "JMIR" للأبحاث الطبية، يحلل كيف تساهم هذه التقنيات في معالجة نقص البيانات الحرجة. يستند التقرير إلى مقابلة مع الباحثين القائمين على مشروعين رائدين يستخدمان خوارزميات متقدمة لتحليل مجموعات بيانات ضخمة، تهدف إلى تحديد وتقييم الروابط بين التعرض للأدوية والنتائج الصحية للأمهات والأجنة. يواجه البحث الطبي مشكلة جوهرية تتمثل في التمثيل الناقص للنساء الحوامل، حيث تشير التقديرات إلى أن نسبة فقط 4% من التجارب السريرية على مدار العقد الماضي شملت نساءً حوامل. يعود هذا النمط إلى قرار تاريخي اتخذه إدارة الغذاء والدواء الأمريكية في عام 1977، بحظر مشاركة النساء الحوامل أو اللواتي يمكن أن يصبحن حوامل في المرحلتين الأولى والثانية من التجارب السريرية. أدى هذا الحظر إلى خلق فجوة طويلة الأمد في فهم سلامة الأدوية لهذه الفئة، وساهم في إقصاء أوسع للنساء من الدراسات البحثية العامة، ورغم الجهود المبذولة لتحسين هذا الوضع، فإن الممارسات الفعلية لم تحقق بعد الأهداف المرجوة بشكل كامل. لمواجهة هذا التحدي، ركزت التقارير على مشروعين مبتكرين: الأول هو مشروع BOOST-HP، الذي يعتمد على نهج يعتمد على الأشجار لاستخراج البيانات، والثاني هو دراسة BIONIC، التي تدمج بين الاستدلال السببي وتقنيات تعلم الآلة. يعمل كلا المشروعين على استخدام الذكاء الاصطناعي لمعالجة كميات هائلة من المعلومات، مما يمكن الباحثين من مراقبة وتقدير الروابط السببية المحتملة بدقة أكبر مما كان متاحًا في السابق. ويشير القادة وراء هذه الدراسات إلى أن النجاح المستقبلي لهذه الأبحاث يعتمد بشدة على توفر بيانات أكثر شمولاً، مع ضرورة اتخاذ حذر كبير في تطبيق النتائج. تؤكد الباحثة كريستين لونغو، القائدة على دراسة BIONIC، أن جودة البيانات تلعب دورًا محوريًا في نجاح النماذج التنبؤية. في الوقت نفسه، شددت ألبوت ج. وينترستاين، الباحث الرئيسي في مشروع BOOST-HP، على أهمية الشفافية التامة في عمل النماذج. تؤكد وينترستاين أنها وفريقها يستخدمون نماذج ذكاء اصطناعي تتيح تتبع مسارات اتخاذ القرار التي تؤدي إلى التقييمات، مما يضمن فهم كيفية وصول النموذج إلى استنتاجاته. تحذر الخبراء من الاعتماد على "الصندوق الأسود"، وهي أنظمة تكون آليات عملها الداخلية غامضة أو معقدة لا يمكن تتبعها، حيث إن استخدام مثل هذه النماذج يحمل مخاطر كبيرة قد تؤدي إلى أخطاء وبائية دقيقة. لذلك، فإن التصميم المدروس بعناية لنماذج تعلم الآلة، إلى جانب تجميع مجموعات بيانات أكبر وأكثر شمولاً، يحمل وعودًا كبيرة بإغلاق هذه الفجوة المعرفية الخطيرة. تظل هذه الخطوة خطوة حاسمة نحو ضمان سلامة الأدوية للعديد من الأمهات والأطفال الذين لم تكن لهم فرصة للمشاركة في الدراسات السريرية التقليدية، مما قد يغير وجه الرعاية الصحية النسائية في المستقبل القريب.