هوش مصنوعی در یک مطالعه بزرگ ایرانی به پیش‌بینی مشکلات قلبی آینده کمک می‌کند

به گزارش علم‌خوان، این مطالعه بوسیله پژوهشگران دانشگاه علوم پزشکی تهران و موسسات همکار از داده‌های نزدیک به 10،000 شرکت‌کننده که در مطالعات آینده‌نگر PolyIran و PolyPars ثبت‌نام کرده بودند، استفاده کرد و دریافت که برخی از مدل‌های هوش مصنوعی از رویکردهای پیش‌بینی سنتی‌تر عملکرد بهتری دارند.

 

چرا این تحقیق اهمیت دارد

بیماری‌های قلبی عروقی همچنان یکی از علل اصلی مرگ و میر در سراسر جهان است. شناسایی افراد در معرض خطر بالا قبل از بروز علائم می‌تواند به ارائه دهندگان مراقبت‌های بهداشتی کمک کند تا تغییرات سبک زندگی، داروها یا نظارت دقیق‌تر را برای جلوگیری از وقایع جدی توصیه کنند. با این حال، بسیاری از محاسبه‌گرهای خطر موجود، پیچیدگی کامل پروفایل‌های سلامت فردی را در بر نمی‌گیرند.

 

هدف پژوهشگران تعیین این موضوع  بود که آیا «هوش مصنوعی ‌توضیح‌پذیر» (Explainable AI) پیش‌بینی خطر را بهبود بخشد و در عین حال به پزشکان نشان دهد که کدام عوامل بیشترین تأثیر را بر تصمیمات مدل داشته‌اند. هوش مصنوعی توضیح‌پذیر به گونه‌ای طراحی شده است که پیش‌بینی‌های یادگیری ماشینی را شفاف‌تر و قابل فهم‌تر کند، که یک نیاز مهم برای استفاده بالینی است.

 

نحوه انجام مطالعه

پژوهشگران تجزیه و تحلیل ثانویه‌ای از داده‌های مطالعات PolyIran و PolyPars، دو گروه بزرگ مبتنی بر جمعیت که در مناطق مختلف ایران انجام شده است، انجام دادند. پس از اعمال معیارهای واجد شرایط بودن، اطلاعات ۹۷۶۹ بزرگسال را تجزیه و تحلیل کردند.

 

پژوهشگران طیف گسترده‌ای از متغیرهای مرتبط با سلامت، از جمله موارد زیر را در نظر گرفتند:

 

* سن و جنس

* اندازه‌گیری فشار خون

* شاخص توده بدنی (BMI)

* سطح قند خون

* اندازه‌گیری کلسترول

* شاخص‌های عملکرد کلیه

* وضعیت سیگار کشیدن

* مصرف «پلی‌پیل» (قرص حاوی ترکیب چند دارو) قلبی عروقی و پایبندی به درمان

 

آنها چندین مدل یادگیری ماشینی، از جمله XGBoost، جنگل تصادفی، رگرسیون لجستیک، ماشین‌های بردار پشتیبان، درخت‌های تصمیم‌گیری، نزدیکترین همسایه‌های k و یک مدل یادگیری عمیق معروف به پرسپترون چندلایه را آموزش دادند و مقایسه کردند. هدف پیش‌بینی رویدادهای مهم قلبی عروقی بود که ظرف ۶۰ ماه رخ می‌دهند.

 

آنچه پژوهشگران یافتند

در میان تمام رویکردهای آزمایش شده، مدل XGBoost قوی‌ترین و سازگارترین عملکرد را ارائه داد و در مجموعه داده‌های ترکیبی به سطح زیر منحنیAUC)) 0.84 دست یافت که نشان‌دهنده توانایی خوب در تمایز بین افرادی است که یک رویداد قلبی عروقی بزرگ را تجربه می‌کنند و نمی‌کنند. این مدل همچنین در هر دو گروه PolyIran و PolyPars عملکرد مشابهی داشت، که نشان می‌دهد به طور مؤثر در جمعیت‌های مختلف تعمیم داده می‌شود.

 

 

Random Forest دومین مدل با عملکرد برتر بود، در حالی که مدل یادگیری عمیق تنها نتایج متوسطی را نشان داد.

 

 

کدام عوامل خطرساز مهمتر بودند؟

پژوهشگران با استفاده از ابزارهای توضیح‌پذیری، عواملی را که بیشترین تأثیر را بر پیش‌بینی‌ها داشتند، شناسایی کردند.

 

 

پیش‌بینی‌کننده‌های اصلی شامل موارد زیر بودند:

 

* سن بالاتر

* سطح کراتینین بالاتر (نشانگر عملکرد کلیه)

* فشار خون سیستولی بالاتر

 

سایر عوامل مرتبط با افزایش خطر قلبی عروقی شامل موارد زیر بود:

 

-  قند خون ناشتا بالا

- BMI بالاتر

- نسبت نامطلوب کلسترول LDL به HDL

-  جنس مرد

- سیگار کشیدن

 

برعکس، مصرف قرص‌های قلبی-عروقی و پایبندی بهتر به درمان با خطر کمتر رویدادهای قلبی عروقی در آینده مرتبط بود.

 

 

یک یافته جدید بالقوه مهم

یکی از قابل توجه‌ترین مشاهدات این مطالعه، اهمیت سطح کراتینین بود. کراتینین معمولاً برای ارزیابی عملکرد کلیه استفاده می‌شود، اما در بسیاری از نمرات معمول خطر قلبی عروقی لحاظ نمی‌شود. مدل هوش مصنوعی آن را به عنوان یکی از قوی‌ترین پیش‌بینی‌کننده‌های رویدادهای قلبی عروقی آینده شناسایی کرد.

 

این یافته نشان می‌دهد که سلامت کلیه ممکن است نقش بیشتری در ارزیابی خطر قلبی عروقی نسبت به آنچه بسیاری از ابزارهای فعلی تشخیص می‌دهند، داشته باشد و آزمایش روتین عملکرد کلیه می‌تواند پیش‌بینی خطر را بهبود بخشد.

 

محدودیت‌ها چیستند؟

اگرچه نتایج امیدوارکننده است، اما این مطالعه بر اساس داده‌های جمعیت ایران انجام شده است و قبل از اجرای گسترده، اعتبارسنجی بیشتری در سایر کشورها و مراکز مراقبت‌های بهداشتی مورد نیاز است. مانند همه مدل‌های پیش‌بینی، سیستم‌های هوش مصنوعی باید از قضاوت بالینی پشتیبانی کنند - نه جایگزین آن شوند.

 

 

نتیجه نهایی

این مطالعه نشان می‌دهد که هوش مصنوعی توضیح‌پذیر می‌تواند با استفاده از اطلاعات بهداشتی جمع‌آوری‌شده به طور معمول، رویدادهای قلبی عروقی مهم را به طور دقیق پیش‌بینی کند. مدل XGBoost به طور خاص عملکرد خوبی داشت و چندین عامل خطرساز کلیدی، از جمله سن، فشار خون، قند خون، سیگار کشیدن و عملکرد کلیه را برجسته کرد.

 یافته‌ها نشان می‌دهند که ابزارهای مبتنی بر هوش مصنوعی می‌توانند به پزشکان کمک کنند تا افراد پرخطر را زودتر شناسایی کنند و به طور بالقوه استراتژی‌های پیشگیری از بیماری‌های قلبی عروقی را بهبود بخشند.

 

منبع

https://www.nature.com/articles/s41598-026-57311-w