به گزارش علم خوان، پژوهشگران دانشگاه‌ علوم پزشکی تهران با همکاری پژوهشگران دانشگاه‌های علوم پزشکی مشهد و تربت‌حیدریه رویکرد جدیدی را برای پیش‌بینی پویای بقا - ترکیبی از یک استراتژی نشانه‌گذاری با تقویت گرادیان - برای بهبود پیش‌بینی نتایج بلندمدت در بیمارانی که پیوند کلیه دریافت می‌کنند، معرفی کرده‌اند.

این پژوهشگران به یک چالش کلیدی در تحلیل بقا پرداخته‌آند: چگونگی ادغام «داده‌های نشانگر زیستی طولی» (یعنی نشانگرهای بیمار که بارها در طول زمان اندازه‌گیری شده‌اند) در کنار ویژگی‌های پایه به منظور به‌روزرسانی پیش‌بینی‌های بقا با پیشرفت بیمار پس از پیوند.

به طور سنتی، مدل‌های بقا (مانند مدل خطرات متناسب کاکس) در درجه اول به داده‌های پایه متکی هستند و اغلب ممکن است چگونگی تحول میزان نشانگرهای زیستی با زمان را نادیده بگیرند. این محدودیت به این معنی است که با تغییر وضعیت بیمار، دقت پیش‌بینی ممکن است کاهش یابد.

این پژوهشگران برای غلبه بر این مشکل از دو ایده کلیدی استفاده کردند:

- رویکرد نشانه‌گذاری که به معنای پیش‌بینی بقا در نقاط زمانی «نشانه‌گذاری» خاص (مثلاً 0.5، 2، 3.5 سال پس از درمان) با استفاده از داده‌های جمع‌آوری‌شده تا هر نقطه عطف است.

-الگوریتم یادگیری ماشین با تقویت گرادیان که مجموعه‌ای از درخت‌های تصمیم‌گیری را می‌سازد و می‌تواند روابط پیچیده و غیرخطی را بدون تکیه بر فرضیات مدل استاندارد (مانند خطرات متناسب) که ممکن است برقرار نباشند، به طور انعطاف‌پذیر مدل‌سازی کند.

این پژوهشگران ادعا می‌کنند که با ترکیب این موارد - با این به اصطلاح «مدل تقویت گرادیان نشانه‌گذاری» (LGBM) - پیش‌بینی پویای بقا را بهبود بخشیده‌اند، به ویژه در شرایطی که رابطه میان نشانگرهای زیستی و پیامدها پیچیده است.

یافته‌های کلیدی

یک- مطالعات شبیه‌سازی

در سناریوهایی که یک رابطه «خطی» ساده میان یک نشانگر طولی و بقا وجود داشت و فرضیات مدل به خوبی برآورده می‌شدند، رویکرد مدل‌سازی مشترک کلاسیک هم از مدل نشانه‌گذاری کاکس و هم از LGBM جدید بهتر عمل کرد.

با این حال، هنگامی که رابطه بین نشانگرهای زیستی و بقا «غیرخطی» بود و/یا فرض خطرات متناسب نقض می‌شد (شرایط «دنیای واقعی‌تر»)، مدل تقویت‌کننده گرادیان نشانه‌گذاری از دو مدل دیگر بهتر عمل کرد—به‌ویژه هنگامی که اندازه نمونه‌ها بزرگ بود( مثلا n=1000 to 1500)، میزان سانسور بالا بود (≈ 90٪) و زمان‌های نشانه‌گذاری دیرتر بود.

بنابراین LGBM بیشتر در محیط‌های مدل‌سازی پیچیده‌تر و سخت‌تر خود را نشان می‌دهد؛ روش‌های مرسوم ممکن است زمانی که فرضیات قوی برآورده می‌شوند، بیشتر دوام بیاورند.

دو- کاربرد در دنیای واقعی برای پیوند کلیه

این پژوهشگران روش خود را بر روی گروهی متشکل از ۶۱۸ نفر از دریافت‌کنندگان پیوند کلیه بزرگسال (پس از معیارهای حذف) در مشهد، ایران، اعمال کردند؛ با داده‌های کامل بقا برای ۵۵۸ بیمار موجود است

آنها دو نشانگر زیستی طولی را بررسی کردند: کراتینین سرم و نیتروژن اوره خون (BUN) ، تا حدود ۱۵ سال پیگیری.

با استفاده از LGBM با زمان‌های شاخص در ۰.۵، ۱.۵، ۲.۵، ۳.۵ و ۴.۵ سال (و یک پنجره پیش‌بینی ۱۰ ساله)، مدل به AUCهای (مساحت زیر منحنی، یک معیار تمایز) با اعتبارسنجی متقابل به ترتیب تقریباً ۰.۷۶، ۰.۸۴، ۰.۸۰، ۰.۷۹ و ۰.۷۳ دست یافت.

آنها همچنین «اهمیت متغیر» (که پیش‌بینی‌کننده‌ها بیشترین سهم را داشتند) را بررسی کردند و دریافتند:

- در زمان‌های شاخص اولیه (۰.۵ سال) BUN   مهمترین متغیر بود و پس از آن به ترتیب سن، کراتینین، فشار خون بالا و جنسیت قرار داشتند.

- در زمان‌های شاخص بعدی، کراتینین از BUN به عنوان پیش‌بینی‌کننده غالب شکست پیوند آلوگرافت پیشی گرفت، و سن همچنان مهم باقی ماند.

به طور خلاصه: این مدل می‌تواند پیش‌بینی‌ها را با استفاده از آخرین مقادیر نشانگر زیستی به صورت پویا به‌روزرسانی کند و به طور بالقوه ارزیابی‌های ریسک به موقع و فردی را در اختیار پزشکان قرار دهد.

مفاهیم و اهمیت

این مطالعه نشان می‌دهد که ابزارهای یادگیری ماشینی مانند تقویت گرادیان می‌توانند روش‌های پیش‌بینی بقا را به محیط‌های انعطاف‌پذیرتر و دنیای واقعی که در آن‌ها روابط پیچیده هستند و فرضیات مدل‌سازی کلاسیک برقرار نیستند، گسترش دهند.

برای عمل بالینی در نفرولوژی پیوند، پیش‌بینی‌های به روز شده پویا ممکن است امکان طبقه‌بندی دقیق‌تر بیماران، تنظیم بهتر پیگیری و مداخلات را فراهم کند.

برنامه کاربردی دنیای واقعی فقط از دو نشانگر طولی (کراتینین و BUN) استفاده کرد؛ سایر نشانگرهای بالقوه مرتبط (مانند میزان فیلتراسیون گلومرولی، هماتوکریت) گنجانده نشدند.

مجموعه داده‌ها از یک منطقه واحد (شمال شرقی ایران) بود و حجم نمونه (558 مورد کامل) همچنان متوسط ​​است؛ برای تعمیم یافته‌ها به اعتبارسنجی خارجی نیاز است.

رویکردهای مدل‌سازی پیشرفته‌تر مانند تقویت گرادیان در مقایسه با مدل‌های آماری کلاسیک، ضرایب تفسیرپذیری کمتری دارند که ممکن است کاربرد آنها را در برخی از محیط‌های بالینی محدود کند.

نتیجه‌گیری

روش‌شناسی جدید تقویت گرادیان-نشانه‌گذاری ارائه‌شده بوسیله این پژوهشگران نویدبخش افزایش پیش‌بینی پویای بقا است - به‌ویژه زمانی که فرآیندهای بیماری پیچیده هستند و داده‌های طولی در دسترس هستند. نویسندگان با اعمال مدل خود بر روی داده‌های بیمار پیوند کلیه، نشان می‌دهند که چگونه به‌روزرسانی‌های اطلاعات نشانگر زیستی می‌تواند به طور معناداری تخمین‌های بقا را در طول زمان اصلاح کند. با تکامل پزشکی دقیق، چنین ابزارهای تحلیلی نوآورانه‌ای ممکن است به پزشکان کمک کند تا ارزیابی‌های ریسک شخصی‌سازی‌شده‌تر و استراتژی‌های مدیریتی را ارائه دهند.

منبع خبر: https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-025-03205-2