استفاده از یادگیری ماشین برای پیش‌بینی خطر بیماری‌های قلبی عروقی در بیماران سالمند پس از آنژیوپلاستی

به گزارش علم‌خوان، بیماری‌های قلبی عروقی همچنان علت اصلی مرگ و میر در سراسر جهان هستند و بزرگسالان سالمند - به ویژه افراد 65  سال به بالا - پس از حمله قلبی و اقدامات مداخله‌ای با خطرات بسیار بالایی روبرو هستند.

ابزارهای معمول «طبقه‌بندی خطر»  (risk stratification)مانند نمر‌ه‌های  TIMI و GRACE به دلیل بیماری‌های همراه پیچیده، فرتوتی و تعاملات غیرخطی بین عوامل خطرساز در این گروه سنی عملکرد ضعیفی دارند.

 

روش تحقیق

پژوهشگران دانشگاه علوم پزشکی تهران و موسسات همکار برای برای حل این مشکل به صورت گذشته‌نگر داده‌های بالینی ۱۳۵۸ بیمار را که بین سال‌های ۲۰۱۵ تا ۲۰۲۱ تحت درمان آنژیوپلاستی (PCI) قرار گرفته بودند، تجزیه و تحلیل کردند.

 آنها هشت الگوریتم مختلف یادگیری ماشین - از جمله جنگل تصادفی (RF)، تقویت گرادیان ( (XGB، شبکه‌های عصبی و ماشین‌های بردار پشتیبان - را ارزیابی کردند تا مشخص کنند کدام مدل‌ها «رویدادهای قلبی-عروقی نامطلوب عمده» (MACE) را که به عنوان مرگ قلبی عروقی، انفارکتوس میوکارد مکرر، سکته مغزی یا تکرار بازسازی عروق در عرض یک سال تعریف می‌شود، به بهترین نحو پیش‌بینی می‌کنند.

 

مدل‌های برتر و پیش‌بینی‌کننده‌های کلیدی

در میان مدل‌های ارزیابی شده،جنگل تصادفی و تقویت گرادیان بالاترین دقت پیش‌بینی را نشان دادند. مدل جنگل تصادفی به مساحت زیر منحنی (AUC)مشخصه عملکرد گیرنده  ۹۵ درصد با حساسیت و ویژگی قوی دست یافت، در حالی که XGB نیز با AUC نزدیک به ۹۴ درصد عملکرد قوی داشت.

این پژوهشگران می‌گویند عملکرد بالای این مدل‌ها نشان می‌دهد که یادگیری ماشین می‌تواند الگوهای خطر پیچیده را در بیماران سالمند ثبت کند که رویکردهای معمول اغلب از دست می‌دهند.

این مطالعه همچنین از «توضیحات افزایشی شاپلی» (SHAP) برای تفسیر چگونگی تأثیر متغیرهای مختلف بر پیش‌بینی‌ها استفاده کرد. از جمله قوی‌ترین پیش‌بینی‌کننده‌های پیامدهای نامطلوب عبارت بودند از:

-کسر تخلیه قبل از  آنژبوپلاستی

-سن

-میزان کراتینین سرم

-قند خون ناشتا

-شاخص توده بدنی (BMI)

-نسبت کلسترول LDL/HDL

این لایه تفسیرپذیری به پزشکان کمک می‌کند تا نه تنها بفهمند چه کسی در معرض بیشترین خطر است، بلکه علت آن را نیز درک کنند و به طور بالقوه استراتژی‌های درمانی و پیگیری فردی را هدایت کنند.

 

پیامدهای بالینی و مسیرهای آینده

با توجه به اینکه بیماران سالمند اغلب در کارآزمایی‌های بالینی حذف یا کمتر از حد لازم حضور دارند، ابزارهایی که طبقه‌بندی خطر را در جمعیت‌های سالمند دنیای واقعی بهبود می‌بخشند، به شدت مورد نیاز هستند. تیم تحقیقاتی تأکید کرد که ادغام این مدل‌های یادگیری ماشینی در سیستم‌های پرونده الکترونیکی سلامت می‌تواند از پشتیبانی تصمیم‌گیری بالینی در زمان واقعی پشتیبانی کند، ارائه دهندگان را از افراد پرخطر آگاه کند و مراقبت‌های متناسب‌تری را امکان‌پذیر سازد.

پژوهشگران با نگاهی به آینده، بر نیاز به اعتبارسنجی خارجی در جمعیت‌های متنوع متعدد و همچنین مطالعات آینده‌نگر برای ارزیابی عملکرد این مدل‌های پیش‌بینی‌کننده در عمل بالینی روزمره تأکید کردند. همچنین علاقه‌ای به گسترش رویکردهای یادگیری ماشینی برای شامل کردن داده‌های تصویربرداری یا طولی برای افزایش بیشتر دقت پیش‌بینی وجود دارد.

 

منبع خبر: https://pmc.ncbi.nlm.nih.gov/articles/PMC12574188/