تخيل مختبرا يملك WSI workflow مستقرا، ويعمل على AI model يساعد في قياس biomarker أو فرز حالات محددة أو دعم قراءة منطقة صغيرة داخل الشريحة. النموذج لم يصل بعد إلى مسار SaMD تجاري، لكنه طُوّر داخل المختبر، وتم اختباره على عينات محلية، ويستخدم تحت إشراف الفريق الطبي. هنا يظهر سؤال LDTs.
حلقة Digital Pathology Podcast الأخيرة تناولت حكم المحكمة الذي أوقف قاعدة FDA النهائية الخاصة بـ Lab-Developed Tests. القاعدة التي صدرت في مايو 2024 كانت ستعامل LDTs كأجهزة طبية تحت Federal Food, Drug, and Cosmetic Act، مع مسار FDA clearance أو approval لكثير من الاختبارات المطورة داخل المختبرات. في مارس، قضت محكمة في Eastern District of Texas بأن FDA تجاوزت سلطتها في هذا الملف، وبقيت LDTs ضمن إطار CLIA في الوقت الحالي.
هذا ليس خبرا قانونيا بعيدا عن غرفة القراءة. بالنسبة لطبيب الباثولوجي، القرار يمس طريقة تطوير الاختبارات، إدخال AI-based diagnostics، واستخدام image-based biomarkers قبل وصولها إلى منتج تجاري واسع.
أين يدخل هذا الحكم في عمل مختبر الباثولوجي؟
LDT هو اختبار يطوره المختبر ويُحققه للاستخدام داخل نفس المختبر. في الباثولوجي، قد يكون ذلك اختبارا موجها لحالة نادرة، biomarker جديدا، assay مرتبطا بعلاج معين، أو مسارا رقميا يستخدم WSI وAI ضمن حدود محلية واضحة.
المشكلة في القاعدة الملغاة كانت حجم العبء المتوقع. حسب ما ورد في الحلقة، تقديرات FDA للتكاليف التنظيمية وصلت إلى 79 مليار دولار على مدى 20 سنة. الرقم يوضح لماذا تعاملت جمعيات ومختبرات كثيرة مع الموضوع بقلق. المختبرات الصغيرة والمراكز التي تخدم حالات قليلة الحجم كانت ستواجه صعوبة في إبقاء اختبارات غير مربحة تجاريا، حتى لو كانت مهمة للمرضى.
في العمل اليومي، لا يفكر طبيب الباثولوجي في القانون كعنوان مجرد. يفكر في المريض الذي يحتاج نتيجة molecular سريعة، أو في عينة صغيرة لا تتحمل تكرار خطوات كثيرة، أو في test نادر لا توجد له kit تجارية مناسبة. هنا تصبح LDTs وسيلة لحل مشكلة سريرية داخل المختبر، بشرط أن يكون التحقق والجودة موثقين بوضوح.
AI في WSI يحتاج مسارا محليا قبل التوسع
كثير من AI models في الباثولوجي الرقمي تبدأ داخل مختبر أو مجموعة بحثية، ثم تتحرك تدريجيا نحو استخدام أوسع. بعض النماذج قد يصل إلى FDA clearance أو SaMD. نماذج أخرى تبقى أدوات محلية محددة الغرض، مثل قياس مساحة tumor، اختيار ROI قبل NGS، حساب biomarker معين، أو دعم triage في نوع محدد من العينات.
الحكم يعطي مساحة أوسع لهذه الأدوات المحلية تحت CLIA، لكنه لا يخفف العبء العلمي عن المختبر. كل AI output يحتاج سؤال استخدام محدد: هل يساعد في اختيار منطقة؟ هل ينتج رقما يدخل التقرير؟ هل يغير أولوية الحالة؟ هل يستعمل على H&E فقط أم مع IHC؟ هل اختُبر على scanner نفسه وعلى صبغات المختبر نفسه؟
الفرق العملي كبير. نموذج يضع heatmap لمساعدة الطبيب في اختيار ROI يختلف عن نموذج يعطي نتيجة تشخيصية نهائية. نموذج يعمل على prostate cores يختلف عن نموذج طُوّر على prostatectomy material. نموذج biomarker في عينة غنية بالخلايا يختلف عن حالة قليلة النسيج أو مليئة بالنخر. هذه التفاصيل تحدد حجم التحقق المطلوب وطريقة وضع النتيجة داخل التقرير.
CLIA يبقي المسؤولية داخل المختبر
الإطار الحالي يعني أن المختبر يستطيع تطوير LDTs ضمن رقابة CLIA، مع توثيق performance characteristics، إجراءات الجودة، وحدود الاستخدام. هذا يعطي طبيب الباثولوجي دورا مركزيا، لأن الحكم السريري لا يخرج من المختبر إلى المورد أو البرنامج.
في مشاريع AI، يجب أن يكون الطبيب شريكا في تعريف العينة المقبولة، حالات الاستبعاد، طريقة عرض النتيجة، ومتى يجب تجاهل output. يجب أن يعرف الفريق أيضا كيف سيتعامل النظام مع الحالات الحدودية: tissue folds، ضعف الصبغة، artifacts، عينات صغيرة، اختلاف scanners، أو اختلاف protocol بين موقع وآخر.
الاختبار المحلي الجيد لا يكتفي برقم AUC من ورقة بحثية أو عرض شركة. يحتاج إلى حالات من المختبر نفسه. يحتاج إلى مقارنة مع قراءة أطباء مختلفين، ومراجعة أخطاء النموذج، وتحديد الحالات التي يجب أن تعود للقراءة اليدوية الكاملة. هذا هو المكان الذي تظهر فيه خبرة طبيب الباثولوجي: الطبيب يوقع النتيجة ويشارك في تصميم حدود الاستخدام منذ البداية.
ماذا عن VALID Act ومسار FDA؟
الحكم الحالي لا يغلق الملف نهائيا. قد تظهر محاولات تشريعية جديدة مثل VALID Act، وقد يعود النقاش حول إطار مبني على مستوى الخطورة. هذا النوع من الإطار قد يميز بين أدوات منخفضة الخطورة وأخرى تؤثر مباشرة في قرار علاجي أو تشخيصي.
لذلك، المختبر الذكي لا يتعامل مع الحكم كدعوة للتراخي. الأفضل أن يبني LDTs وAI workflows بطريقة تصمد أمام أي إطار قادم: وثائق واضحة، version control، مراجعة دورية، سجل أخطاء، خطة لإيقاف الاستخدام عند تغير الأداء، وتحديد صريح لدور الطبيب في كل نقطة.
إذا كان AI model سيؤثر في تقرير سرطان أو اختيار علاج، فيجب أن يكون أثره قابلا للمراجعة. أين ظهرت النتيجة؟ هل رآها الطبيب قبل التقرير؟ هل عدلها؟ هل استُخدمت كدعم داخلي أو كقيمة مبلغة؟ هذه التفاصيل مهمة سريريا وتنظيميا.
قراءة عملية لطبيب الباثولوجي
القرار يعطي المختبرات وقتا ومساحة لتطوير حلول محلية، خصوصا في rare diseases، اختبارات قليلة الحجم، وAI tools التي تحتاج نضجا تدريجيا قبل التوسع. لكنه يضع مسؤولية أكبر على الفريق الطبي كي لا يتحول LDT إلى صندوق أسود داخل workflow سريع.
قبل اعتماد أي LDT رقمي أو AI-based assay، اسأل عن أربع نقاط: حالة الاستخدام المحددة، عينة التحقق المحلية، طريقة ظهور النتيجة داخل نظام العمل، وخطة مراقبة الأداء بعد التشغيل. إذا كانت الإجابات عامة، فالمشكلة ليست في التنظيم فقط. المشكلة في التصميم نفسه.
طبيب الباثولوجي يحتاج أن يرى AI كجزء من مسار الحالة، لا كإضافة خارجية. WSI، LIS، التقرير، وسجل الجودة يجب أن يتحركوا معا. عندها تصبح LDTs وسيلة عملية لخدمة المرضى، مع الحفاظ على دور الطبيب في الحكم النهائي وعلى قدرة المختبر في تفسير ما فعله النموذج وما لم يفعله.