Xərçəng tədqiqatlarında yeni dövr: FDA-nın BAYES ADDIMI və gələcəyin onkologiyası
Bu məqalədə
Klinik tədqiqatların “riyaziyyatı” dəyişir. FDA-nın yeni təlimatı daha az xəstə ilə daha sürətli nəticə əldə etməyə imkan verən “öyrənən” statistik modellərin yolunu açır.
FDA-nın mesajı: “Daha sürətli, daha ağıllı”
12 yanvar 2026-cı ildə FDA klinik tədqiqatlarda Bayes metodologiyalarının istifadəsini təşviq edən tarixi təlimat dərc etdi. Məqsəd aydındır: nadir xərçənglərdə xəstə tapmaq çətinliyini aşmaq, xərcləri azaltmaq və təsirli dərmanları xəstələrə illər deyil, aylar ərzində çatdırmaq.
FDA komissarı Dr. Marty Makary bu addımı belə ümumiləşdirir: “Bayes üsulları dərman hazırlanmasının ən böyük iki düşməninə — yüksək xərclərə və boşuna keçən vaxta qalib gəlməyimizə imkan verəcək.”
1. Bayes statistikası nədir və adı haradan gəlir?
Bayes statistikası ehtimalı hadisənin uzunmüddətli tezliyi kimi deyil, fərziyyənin doğruluğuna dair “inam dərəcəsi” kimi müəyyənləşdirən paradiqmadır.
Adını 18-ci əsrdə yaşamış ingilis din xadimi və riyaziyyatçısı Thomas Bayesdən alır. Thomas Bayes şərti ehtimal üzərində işləsə də, bu fikirləri riyazi çərçivəyə salıb düsturlaşdıran əsas şəxs fransız riyaziyyatçısı Pierre-Simon Laplace olub.
2. Necə işləyir? (Bayes teoremi)
Bayes düşüncə tərzi insan beyninin öyrənmə prosesinə çox bənzəyir: əvvəlki biliklərinizi yeni sübutlarla birləşdirərək yenilənmiş nəticəyə çatırsınız. Bu proses riyazi olaraq aşağıdakı düsturla ifadə edilir:
Bu düsturun üç əsas komponenti bunlardır:
- 1. İlkin məlumat (aprior - P(A)): Məlumatlar toplanmazdan əvvəl əlimizdə olan bilik və ya inamdır. Məsələn, əvvəlki tədqiqatlardan əldə olunmuş uğur nisbətləri və ya ekspert rəyləri buraya daxil edilə bilər.
- 2. İnandırıcılıq (P(B|A)): Cari tədqiqatdan əldə olunan aktual məlumatlardır (müşahidə edilmiş sübutlar).
- 3. Sonrakı paylanma (aposterior - P(A|B)): İlkin məlumatın yeni məlumatlar əsasında yenilənmiş formasıdır. Son qərar buna əsasən verilir.
Sadə nümunə: Altsheymer diaqnozu
Xəstədə yaddaş itkisi və motivasiya çatışmazlığı varsa, Altsheymer xəstəliyi olma ehtimalı nədir? Bu sualı cavablandırmaq üçün yalnız simptomlara (məlumata) baxmaq kifayət etmir. Xəstənin yaşı (ilkin məlumat) mühüm əhəmiyyət daşıyır. 16 yaşlı və 75 yaşlı xəstədə eyni simptomlar olsa belə, yaş məlumatını (aprior) tənliyə daxil etdikdə Altsheymer ehtimalları (aposterior) tam fərqli olacaq.
3. Paradiqma dəyişikliyi: klassik üsuldan “öyrənən” üsula
Tibb dünyası uzun illər “tezlikçi” statistikaya əsaslanıb. Lakin bu üsul hər tədqiqatı “sıfırdan” başlayır və əvvəlki məlumatları nəzərə almır. FDA-nın yeni üstünlük verdiyi Bayes yanaşması isə “toplanmış biliklərdən” istifadə edir.
Ənənəvi (tezlikçi) yanaşma
- Fəlsəfə: Məlumat sabit deyil, təkrar-təkrar toplanmalıdır.
- Üsul: P-dəyəri və sərt qaydalar.
- Çatışmazlıq: Əvvəlki tədqiqatların məlumatlarından istifadə edə bilmir. Çox böyük xəstə sayı (seçmə) tələb edir.
- Nəticə: Nadir xərçənglərdə tədqiqat aparmaq demək olar ki, mümkünsüzdür.
Bayes yanaşması (yeni)
- Fəlsəfə: Bilik toplanır. “İlkin məlumat” (aprior) ilə başlanır.
- Üsul: “Sonrakı paylanma” (aposterior). Yeni məlumat gəldikcə inam yenilənir.
- Üstünlük: Əvvəlki məlumatları (real həyat məlumatlarını) sınağa daxil edir. Daha az xəstə ilə nəticəyə çatır.
- Nəticə: “Proses zamanı öyrənmək” çevikliyi verir.
4. Onkologiyada Bayes inqilabı: 3 mühüm tətbiq
Xərçəng tədqiqatları bu yeni riyaziyyatın ən güclü təsir yaratdığı sahədir.
1. Səbət sınaqları
Müxtəlif orqan xərçəngləri (ağciyər, süd vəzi, qalxanabənzər vəzi) eyni səbətdə toplanır. Ortaq cəhət eyni genetik mutasiyadır. Bayes üsulu ağciyər xərçəngindəki uğur məlumatını qalxanabənzər vəzi xərçənginin təhlili üçün “borc alır” (məlumatın paylaşılması). Beləliklə, hətta nadir şişlər üçün də statistik güc təmin olunur.
2. Adaptiv (uyğunlaşdırıla bilən) dizayn
Sınaq zamanı qaydalar dəyişə bilər! Dərman çox təsirli görünürsə, yeni gələn xəstələr avtomatik həmin qrupa yönləndirilir (adaptiv randomizasiya). Təsirsiz qruplar erkən bağlanır. Bu həm etik, həm də qənaətcildir.
3. Dozanın sürətli müəyyənləşdirilməsi (I faza)
Köhnə “3+3” üsulu (3 xəstədə sına, əlavə təsiri gözlə, dozanı artır) çox yavaş idi. Bayes CRM üsulu hər xəstədən gələn məlumatla modeli yeniləyir və təhlükəsiz dozanı daha sürətli, daha az xəstəni riskə ataraq tapır.
5. Böyük məlumatlar və multiomiks inteqrasiyası
Məlumat okeanında kompas: Bayes şəbəkələri
Xərçəng yalnız bir genin xəstəliyi deyil. Genomik, proteomik və transkriptomik (multiomiks) məlumatların mürəkkəbliyini həll etmək üçün Bayes şəbəkələrindən istifadə edilir. Məsələn, bnClustOmics kimi süni intellekt vasitələri bu üsulla xərçəngin alt tiplərini müəyyənləşdirir və hər xəstəyə xas “molekulyar barmaq izini” üzə çıxarır.
Bu məqalə sizə faydalı oldu?
Rəyiniz məzmunumuzu yaxşılaşdırmağa kömək edir.
Oxucu şərhləri
Şərhinizi paylaşın
Adınız və şərhiniz yalnız administrator təsdiqindən sonra dərc olunur. E-poçt ünvanınız ziyarətçilərə heç vaxt göstərilmir.
İlk şərhi siz yazın.