یک رویکرد جدید با کمک هوش مصنوعی برای پیش‌بینی بهتر نتایج پیوند کلیه

به گزارش علم خوان، پزشکان و بیماران اغلب بر اساس وضعیت بیمار در مقاطع مختلف پس از جراحی، پیش‌بینی‌های به‌روز شده‌ای در مورد مدت زمان دوام پیوند کلیه می‌خواهند. اکنون  پژوهشگران دانشگاه علوم پزشکی تهران و موسسات همکار روشی مبتنی بر یادگیری ماشینی ارائه می‌دهند که می‌تواند پیش‌بینی‌های دقیق‌تر، پویاتر (به‌روزرسانی‌شده) از بقای بیماران را ارائه دهد، به‌ویژه زمانی که روابط بین عوامل مربوط به بیمار بیمار پیچیده باشد.

 

چالش در مراقبت از پیوند

پزشکان پس از پیوند کلیه از طریق آزمایش‌های منظم خون، نشانگرهای زیستی در حال تغییر مانند کراتینین سرم و نیتروژن اوره خون (BUN) را ردیابی می‌کنند. این سطوح، همراه با عواملی مانند سن، جنس و فشار خون، به سنجش خطر شکست پیوند (شکست پیوند، که اغلب منجر به دیالیز می‌شود) کمک می‌کنند. مدل‌های آماری سنتی می‌توانند با تغییر مقادیر در طول زمان، الگوهای غیرخطی یا زمانی که فرضیات استاندارد (مانند خطرات متناسب) برقرار نیستند، دچار مشکل شوند.

 

رویکرد جدید: نشانه‌گذاری + تقویت گرادیان

این پژوهشگران دو ایده را با هم ترکیب کردند:

 

- نشانه‌گذاری: در نقاط زمانی خاص پس از پیوند (مثلاً ۶ ماه، ۱.۵ سال و غیره)، آنها پیش‌بینی‌ها را فقط برای بیمارانی که تا آن زمان هنوز خوب عمل می‌کنند، با استفاده از آخرین مقادیر نشانگر زیستی به‌روزرسانی می‌کنند.

 

- تقویت گرادیان: یک تکنیک قدرتمند یادگیری ماشین (مشابه درخت‌های تصمیم‌گیری پیشرفته) که الگوهای پیچیده را بدون تحمیل فرضیات ریاضی سختگیرانه یاد می‌گیرد.

 

آنها این ترکیب را مدل تقویت گرادیان نشانه‌گذاری (LGBM) می‌نامند.

 

آنچه آزمایش‌ها نشان دادند

در مطالعات شبیه‌سازی (آزمایش روش بر روی داده‌های تولید شده تحت شرایط مختلف):

 

- هنگامی که روابط ساده و خطی بودند، «مدل‌های مشترک» سنتی بهترین عملکرد را داشتند.

 

- در سناریوهای واقع‌گرایانه‌تر و پیچیده‌تر با اثرات غیرخطی و فرضیات نقض شده، LGBM از مدل‌های مشترک و نشانه‌گذاری استاندارد کاکس - به ویژه با مجموعه داده‌های بزرگتر، نرخ سانسور بالا (بسیاری از بیماران در پایان مطالعه هنوز بدون رویداد بودند) و پیش‌بینی‌های انجام شده در نقاط زمانی بعدی - عملکرد بهتری داشت.

 

بر اساس داده‌های واقعی از ۵۵۸ بیمار پیوند کلیه در ایران (که تا ۱۵ سال پیگیری شده‌اند):

 

- پیش‌بینی‌کننده‌های کلیدی در طول زمان تغییر کردند. در ابتدا، BUN، سن، کراتینین، فشار خون بالا و جنسیت اهمیت داشتند. بعداً، کراتینین و BUN غالب شدند.

 

- این مدل منحنی‌های بقای فردی را ارائه داد که با تغییر سطح نشانگرهای زیستی به‌روزرسانی می‌شوند و به نشان دادن اینکه آیا چشم‌انداز بیمار در حال بهبود است یا بدتر شدن، کمک می‌کنند.

 

عملکرد با AUC (میزان تفکیک بیماران پرخطر در مقابل کم‌خطر) و نمره بریر (دقت کلی پیش‌بینی‌های احتمال) اندازه‌گیری شد. استفاده از یک مدل آماری برای نسبت دادن مقادیر نشانگر زیستی از دست رفته، بهتر از انتقال صرف آخرین خوانش به آینده عمل کرد.

 

چرا این یافته‌ها مهم هستند

این روش انعطاف‌پذیرتر از آمار کلاسیک است و می‌تواند داده‌های پزشکی آشفته و واقعی را در بسیاری از موقعیت‌ها بهتر مدیریت کند. همچنین این روش نمرات «اهمیت متغیر» را ارائه می‌دهد که نشان می‌دهند کدام عوامل در زمان‌های مختلف پس از پیوند بیشترین اهمیت را دارند و  برای مراقبت‌های شخصی‌شده مفید هستند.

 

محدودیت‌ها و مراحل بعدی

این مطالعه بر اساس یک مجموعه داده انجام شده و بر شکست پیوند تمرکز دارد (و همه خطرات رقیب مانند مرگ را از سایر علل متمایز نمی‌کند). این مطالعه شامل برخی از نشانگرهای بالقوه مفید دیگر مانند میزان فیلتراسیون گلومرولی یا GFR نبود.

 

به گفته این پژوهشگران، آزمایش‌های بیشتر در جمعیت‌های متنوع و ادغام در ابزارهای بالینی قبل از استفاده معمول از این روش مورد نیاز است.

خلاصه

به طور خلاصه این پژوهشگران با ترکیب نشانه‌گذاری با تقویت گرادیان، ابزاری امیدوارکننده برای پیش‌بینی‌های پویا و شخصی‌سازی‌شده در پیوند کلیه ایجاد کرده‌اند. این ابزار می‌تواند به پزشکان کمک کند تا با تحول شرایط بیماران در طول ماه‌ها و سال‌ها، تصمیمات آگاهانه‌تری بگیرند.

منبع خبر:

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