HyperAI超神经

وبحسب مسح السكري لعام 2017، بلغ عدد كبار السن المصابين بالسكري في بلدي 78.13 مليون. وبدمج عدد من الدراسات السكانية واسعة النطاق، وجد أن التمثيل الغذائي غير الطبيعي للجلوكوز وأمراض القلب والأوعية الدموية لديهما درجة عالية من العلاقة "المصاحبة"، أي أن مرضى السكري غالباً ما يعانون من مضاعفات مثل مرض القلب التاجي، وأصبح هذا الأخير سبباً رئيسياً للوفاة لدى مرضى السكري - حوالي 75% من مرضى السكري ماتوا بسبب مرض القلب التاجي. لكن،في الوقت الحاضر، هناك عدد قليل من الدراسات حول عوامل الخطر للبقاء على قيد الحياة لدى المرضى الذين يعانون من أمراض القلب التاجية والسكري أو ضعف تحمل الجلوكوز.

｜ملاحظات:ضعف تحمل الجلوكوز (IGT) هو حالة غير طبيعية في أيض الجلوكوز والتي تتحول من مستوى السكر الطبيعي في الدم إلى مرض السكري. إنها حالة ما قبل السكري وقد تتطور إلى مرض السكري (DM).

ومن أجل كسر هذا الوضع، قام باحثون من مستشفى الشعب في مدينة ماشنغ بمقاطعة هوبي في الصين بإجراء مقارنة بين نموذج الانحدار اللوجستي وثلاثة نماذج للتعلم الآلي، وتمكنوا بنجاح من التنبؤ بمعدل الوفيات لمدة عام واحد بين المرضى الصينيين المسنين المصابين بأمراض القلب التاجية المقترنة بمرض السكري أو ضعف تحمل الجلوكوز، مما يساعد المجتمع الطبي على تحديد المرضى المعرضين لخطر الوفاة قصيرة الأمد على الفور، وبالتالي توفير الإنذار المبكر والعلاج.

نُشرت الدراسة في مجلة Cardiovascular Diabetology بعنوان "نماذج تعتمد على التعلم الآلي للتنبؤ بمعدل الوفيات خلال عام واحد بين كبار السن الصينيين المصابين بمرض الشريان التاجي المقترن بضعف تحمل الجلوكوز أو مرض السكري".

الشكل 1: تم نشر نتيجة هذا البحث في مجلة Cardiovascular Diabetology

عنوان الورقة:

https://cardiab.biomedcentral.com/articles/10.1186/s12933-023-01854-z

الإجراءات التجريبية

مجموعة البيانات: بيانات 451 مريضًا مسنًا يعانون من أمراض القلب التاجية من 301 مستشفى

قامت هذه الدراسة بتحليل 974 مريضًا مسنًا مصابًا بأمراض القلب التاجية تم إدخالهم إلى قسم أمراض القلب الشيخوخية في مستشفى PLA العام بين أكتوبر 2007 ويوليو 2011.وقد أجرى الباحثون فحصًا إضافيًا وفقًا لمعيارين:وهم:

1. تجاوز عمره 60 عامًا؛

2. المعاناة من ضعف تحمل الجلوكوز (IGT) أو مرض السكري (DM).

تضمنت مجموعة البيانات النهائية 451 مريضًا، تم تقسيمهم عشوائيًا إلى مجموعة تدريب (ن = 308) ومجموعة اختبار (ن = 143) بنسبة 7:3.يتم استخدام مجموعة التدريب لتدريب وتحسين نموذج الانحدار اللوجستي وثلاثة نماذج للتعلم الآلي، ويتم استخدام مجموعة الاختبار لاختبار أداء التنبؤ بالنموذج. تتم عملية فحص مجموعة البيانات على النحو التالي:

الشكل 2: مخطط انسيابي يوضح اختيار المرضى وتصميم الدراسة

تطوير النموذج: حدد 4 نماذج رئيسية للمقارنة الأفقية

وفي هذه الدراسة، قام الباحثون بتطوير نموذج الانحدار اللوجستي وثلاثة نماذج للتعلم الآلي.تم إنشاء نماذج التنبؤ لنموذج آلة تعزيز التدرج (GBM) ونموذج الغابة العشوائية (RF) ونموذج شجرة القرار (DT).يتم تقييم تأثير التنبؤ بناءً على عدة مؤشرات مثل Brier Score، وAUC (المساحة تحت المنحنى)، ومنحنى المعايرة، ومنحنى القرار.

نتيجة براير:طريقة لقياس الفرق بين الاحتمالية التي تنبأت بها الخوارزمية والنتيجة الفعلية. يتراوح نطاق قيمتها بين 0 إلى 1، حيث تشير الدرجات الأعلى إلى توقعات أسوأ ومعايرة أقل.

الشكل 3: صيغة حساب درجة بريل

الجامعة الأمريكية بالقاهرة:يشير إلى المنطقة الواقعة تحت المنحنى. في الإحصاء والتعلم الآلي، غالبًا ما يتم استخدام AUC لتقييم أداء نماذج التصنيف الثنائي. يتراوح نطاق قيمته من 0 إلى 1. كلما اقتربت القيمة من 1، كان أداء النموذج أفضل؛ كلما اقتربت القيمة من 0.5، كلما كانت قدرة النموذج على التنبؤ أضعف.

فحص الميزات وضبط المعلمات لثلاثة نماذج للتعلم الآلي

وفي الوقت نفسه، أجرى الباحثون فحصًا للميزات وضبط المعلمات على نموذج التعلم الآلي المتطور.أولاً، استخدموا خوارزمية LASSO (أقل عامل انكماش واختيار مطلق) جنبًا إلى جنب مع التحقق المتبادل 10 أضعاف لفحص سبع سمات كانت مرتبطة بشكل كبير بوفيات عام واحد كمدخلات للنموذج. كانت هذه السمات السبع هي الهيموجلوبين، والكوليسترول الجيد، والألبومين، والكرياتينين في الدم، وNT-proBNP، وقصور القلب الاحتقاني، والستاتينات. ثم قاموا بإجراء بحث عشوائي عن المعلمات الفائقة باستخدام التحقق المتبادل 5 مرات والتمهيد للعثور على أفضل مجموعة من المعلمات والحصول على أفضل مساحة تحت المنحنى (AUC).

الشكل 4: عملية ضبط المعلمات الفائقة

أ:منحنى معامل الانكماش والاختيار الأقل مطلقًا (LASSO)

ب:أفضل مجموعة من المعلمات

ج:معاملات الارتباط بين الخصائص السريرية

من الشكل 4، جميع معاملات الارتباط أقل من 0.80، مما يشير إلى عدم وجود علاقة خطية خطيرة.تم استخدام السمات السريرية السبعة المذكورة أعلاه لتدريب نموذج الانحدار اللوجستي ونماذج التنبؤ الثلاثة للتعلم الآلي.بعد تدريب النموذج وتحسينه، يتم عرض المعلمات الفائقة المثالية لكل نموذج في الجدول التالي:

الجدول 1: المعلمات الفائقة المثالية لكل نموذج

النتائج التجريبية

من الأداء العام لكل نموذج:

* درجة براير لنموذج الانحدار اللوجستي (LR) هي 0.116

* درجة Brier لنموذج آلة التعزيز المتدرج (GBM) هي 0.114

* درجة براير لنموذج شجرة القرار (DT) هي 0.143

* درجة Brier لنموذج الغابة العشوائية (RF) هي 0.126

الشكل التالي يوضح نتائج تحليل كل نموذج:

الشكل 5: AUC، ومنحنى المعايرة، ومنحنى القرار، وقيمة SHAP لكل نموذج

د:الأداء العام لكل نموذج

هـ:منحنيات المعايرة لكل نموذج

ف:منحنيات القرار لكل نموذج

ج:خريطة حرارية لقيمة SHAP

ح:تحليل أهمية الميزة استنادًا إلى SHAP

وفقا للشكل 5، يمكن استخلاص الاستنتاجات التالية:

1. تبلغ مساحة تحت المنحنى (AUC) لنماذج LR وGBM وDT وRF 0.827 و0.836 و0.760 و0.829 على التوالي.

2. تظهر منحنيات المعايرة أن جميع النماذج لها تأثيرات معايرة جيدة. ومن بينها، فإن نموذج GBM هو الذي يتمتع بأفضل تأثير.

3. أظهر تحليل منحنى القرار أن كل من نموذج GBM ونموذج LR يتمتعان بالتطبيق العملي السريري الجيد.

4. واستنادًا إلى نموذج GBM، قام الباحثون بتحليل أهمية السمات السريرية المهمة في السكان بأكملهم. من خلال تحليل قيم SHAP الفردية والمتوسطة، وجد أن أهم ثلاث خصائص مرتبطة بوفيات عام واحد هي NT-proBNP، والألبومين، والستاتينات.

| شكل: شرح إضافة شالي، مساهمة مميزة. من خلال تحليل قيمة SHAP، يمكن للباحثين الحصول على تفسيرات لنتائج التنبؤ وفهم كيفية تأثير كل ميزة على تنبؤات النموذج، وبالتالي فهم وتفسير سلوك النموذج بشكل أفضل.

باختصار، اقترح الباحثون أنه على الرغم من أن النماذج في الدراسات السابقة كانت ذات أداء تنبؤي مرتفع، إلا أنها لم تكن مناسبة للتطبيق السريري بسبب كثرة المتغيرات. في هذه الدراسة، استخدم الباحثون بنجاح سبع ميزات لتطوير نموذج للتنبؤ بوفيات العام الواحد.وتظهر النتائج أن نموذج GBM لديه AUC يصل إلى 0.836 ودرجة Brier تبلغ 0.116، مع أفضل أداء تنبؤي إجمالي.

ومن الجدير بالذكر أنه من أجل تسهيل التطبيقات السريرية بشكل أكبر، قام الباحثون أيضًا بتصميم تطبيق عبر الإنترنت لا يتطلب من الأطباء سوى ملء معايير المريض للتنبؤ باحتمال الوفاة خلال عام واحد. وبهذه الطريقة، يستطيع الأطباء اتخاذ التدابير المناسبة للمرضى المعرضين للخطر في أقرب وقت ممكن لزيادة احتمالات بقاء المريض على قيد الحياة.

إن الذكاء الاصطناعي في المجال الطبي له مستقبل مشرق، ولكن لا ينبغي لنا أن نكون متفائلين بشكل أعمى

مع النضج التدريجي للتفاعل الصوتي للذكاء الاصطناعي، والرؤية الحاسوبية، والحوسبة المعرفية، والتعلم العميق وغيرها من التقنيات، أصبحت سيناريوهات تطبيق الذكاء الاصطناعي في المجال الطبي متنوعة بشكل متزايد.ويشمل ذلك اتجاهات متعددة مثل التصوير الطبي، والمساعدين الافتراضيين، وتطوير الأدوية، وإدارة الصحة، وتحليل السجلات الطبية/الأدبيات، وإدارة التنبؤ بالأمراض.

وفقًا للكتاب الأزرق لتطوير صناعة الذكاء الاصطناعي الطبية لعام 2020 الصادر عن أكاديمية الصين لتكنولوجيا المعلومات والاتصالات،على الرغم من أن المجال الطبي للذكاء الاصطناعي المحلي بدأ متأخرًا، إلا أن الطلب في السوق قوي وآفاق التطوير المستقبلية واسعة.ومن بينها، تجدر الإشارة إلى أنه اعتبارًا من نهاية عام 2019، وصلت نسبة السكان المسنين الذين تبلغ أعمارهم 65 عامًا فأكثر في البلاد إلى 12.6%، مما يعني أن الصين دخلت رسميًا مجتمع الشيخوخة. ونتيجة لذلك، يتزايد أيضًا معدل الإصابة بالأمراض المزمنة عامًا بعد عام.

وفي هذا السياق، ظهرت نتائج التنبؤ بالأمراض التي تمثلها هذه الدراسة، والتي يمكن أن تساعد الأطباء والمرضى بشكل فعال على إدارة صحتهم بشكل أفضل. ومع ذلك، من ناحية أخرى، يجب أن نرى أيضًا أنه من خلال الوضع العام للسوق، لم يتم تطبيق التقنيات المرتبطة بالذكاء الاصطناعي على نطاق واسع في المستشفيات حتى الآن، والمستشفيات ليست على استعداد للدفع. يرتبط هذا ارتباطًا وثيقًا بعادات الاستخدام والدفع لدى المستخدمين، والبنية الأساسية الداعمة مثل سياسات التأمين الطبي، والتعقيد الكبير لسيناريوهات التطبيق السريري.ولذلك، لا يزال الطريق أمامنا طويلاً في مجال الرعاية الطبية بالذكاء الاصطناعي.

روابط مرجعية:

[1] https://doi.org/10.5334/gh.934

[2] https://doi.org/10.1111/1753-0407.13175

[3] https://doi.org/10.1007/s001250051352

[4] https://doi.org/10.1186/1475-2840-5-15

[5]https://rs.yiigle.com/CN112148202107/1328929.htm

[6] http://www.caict.ac.cn/kxyj/qwfb/ztbg/202009/P020200910495521359097.pdf