در طول دهه گذشته، یادگیری ماشین به عنوان یک ابزار تحول در نورولوژی، به ویژه برای پیش بینی آسیب های طولانی مدت کلیه در بیماران دیابتی ظهور کرده است، با دیابت که بیش از 537 میلیون بزرگسال در سطح جهان را تحت تاثیر قرار داده است و تقریبا 40٪ در حال توسعه بیماری مزمن کلیوی (CKD)، نیاز به بررسی دقیق و پیش بینی اولیه هرگز بیشتر از خطر ابتلا به تشخیص بی نظیر (فقط با کاهش قابل توجه به میزان قابل توجهی از طریق آسیب های مربوط به سرطان) است.

چرا پیش بینی اولیه در بیماری های کلیوی دیبیتیک اهمیت دارد

دیابت علت اصلی بیماری کلیوی مرحله انتهایی (ESRD) در اکثر کشورهای توسعه یافته است.این بیماری اغلب به آرامی پیشرفت می کند: بیماران ممکن است eGFR طبیعی داشته باشند و هیچ آلبومینوری برای سال ها را شناسایی کنند، در حالی که فیبروز های اولیه و آسیب های الکتروموگرافیک به سرعت افزایش می یابد.

چگونه یادگیری ماشین پیش بینی را در مورد مدل های سنتی افزایش می دهد

روش های آماری متعارف، مانند رگرسیون لجستیکی و مدل های خطرات متناسب، روابط خطی و استقلال را در میان پیش بینی کنندگان فرض می کنند. مدل های یادگیری ماشین با ثبت تعاملات غیر خطی، دستکاری داده های بالا بعدی و به طور خودکار کشف الگوهای پیچیده ای، ممکن است یاد بگیرند که ترکیب یک ظهور ظریف در کیستات قریب الوقوع، تشخیص کوچک در یک توانایی هموگلوبین، حتی تشخیص فردی و یا چند مورد، در طول عمر، چه سیگنال های اختلال در دیرین، و چه چیزی را می دهد.

معماری های مدل کلیدی

  • ماشین آلات تقویت کننده هدایت (XGboost، LightGBM، Catboost) بر داده های ساختار یافته از سوابق سلامت الکترونیکی تسلط دارند.آنها به خوبی ارزش های از دست رفته را مدیریت می کنند، امتیازات مهم را ارائه می دهند و اغلب به مقادیر AUC پیشرفته بین 0.85 و 0.92 برای پیش بینی شروع CKD در دیابت دست می یابند.
  • شبکه های عصبی یادگیری برش برای داده های غیر ساختاری استفاده می شود: شبکه های عصبی یکپارچه (CNNs) می توانند اسلاید های بیوپسی کلیه را تجزیه و تحلیل کنند تا فیبروز و اسکلروز را تشخیص دهند؛ شبکه های عصبی مکرر (RNN) و ترانسفورماتورها می توانند مدل های طولی از اندازه گیری های آزمایشگاهی را مدل سازی کنند.
  • جنگل های بقا [FLT 1] جنگل های تصادفی را به تجزیه و تحلیل زمان به زمان گسترش می دهند، و برآوردهای خطر غیر پارامتریک را ارائه می دهند که مدل های کاکس را در هنگام نقض خطرهای متناسب، به طور کامل تجزیه و تحلیل می کنند.
  • شبکه های بقا عمیق [به عنوان مثال، DeepSurv، CoxTime] شامل یادگیری عمیق در تجزیه و تحلیل بقا، یادگیری توابع خطر پیچیده از داده های بالا بعدی.

روش های جمع آوری که معماری های چندگانه را ترکیب می کنند - به عنوان مثال، قرار دادن یک تقویت کننده گرادیان با یک شبکه عصبی - اغلب بهترین عملکرد را با کاهش سوگیری و تفاوت ها به دست می آورد.

منابع داده و مهندسی ویژگی

عملکرد هر مدل یادگیری ماشینی به شدت به وسعت و کیفیت داده های ورودی بستگی دارد.منبع های مشترک برای پیش بینی DKD عبارتند از:

  • سوابق سلامت الکترونیکی (EHRs): جمعیت شناسی، تشخیص، داروها، مقادیر آزمایشگاهی (creatiنین، کیستاتin C، HbA1c، آلبومینوری)، علائم حیاتی و کد های عمل.
  • تصویربرداری پزشکی: تصاویر سونوگرافی کلیه (طول کلیوی، ضخامت cortical) و تصاویر کلی هیستوپاتیک را از بیوپسی ها از بین می برد.
  • [[ویرایش] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [FLT: ۴] پلی مورفیسم تک نوکلئوت و [FLT] [۶] [۲] [۲] [۲:۷]
  • جریان های دستگاه پوشیدنی: ، نظارت مستمر گلوکز (CGM) سری زمان، نظارت بر فشار خون و داده های فعالیت فیزیکی.

مهندسی ویژگی ها همچنان یک گام مهم است.ویژگی های مشتق شده مانند "eGFR شیب در طول 24 ماه گذشته"، "HbA1c ضریب تنوع"، "زمان زیر 70 mg / dL (تعهد هیپوگلیسمی)، و "نماز پایبندی" اغلب قدرت پیش بینی بیشتر از ابزار نسل خودکار (به عنوان مثال، ویژگی های کاربردی) را انتخاب می کنند، اما می توانند ویژگی های ضروری برای جلوگیری از ویژگی های بالینی را انتخاب کنند.

تحقیقات اخیر و اعتباربخشی بالینی

مطالعات متعدد با تاثیر بالا که بین 2020 تا 2024 منتشر شده است، برتری مدل های یادگیری ماشین برای پیش بینی DKD در جمعیت های مختلف را نشان داده اند.

مطالعه 2023 در ] ] [ ] [ [ ] آموزش یک مدل یادگیری عمیق در مورد 180000 بیمار دیابتی از انگلستان Biobank، ترکیب eGFR مسیرهای، UACR، سن، جنس، HbA1c، و syic فشار به طور کلی یک مقیاس سنجید.

مطالعه برجسته دیگر از جامعه آمریکایی نبادان (2024] از تقویت گرادینت (XGboost) برای پیش بینی حادثه CKD در نوع 2 بیمار مبتلا به EMPA-REGCOME استفاده کرد. این مدل به یک AUC 0.92 برای خطر پایدار eGFRFR شناخته شده است، به طور قابل توجهی بهتر از 3٪ از حد قابل توجهی کاهش یافته است.

یک متاآنالیز در سال 2024 در منتشر شده در 47 مطالعه را بررسی کرد و دریافت که مدل های یادگیری ماشین تبعیض برای پیشرفت DKD را با میانگین 10 تا 15٪ بیش از ورودی معمولی، با AUC از 0.88 (95٪ -0) تجزیه و تحلیل طولی که فقط با استفاده از آن داده های پایه تکرار شده است.

در یک مطالعه چند مرکز چینی از 50000 بیمار مبتلا به دیابت نوع 2 به مدت 10 سال پیگیری شد، یک مدل XGBoost به AUC از 0.88 برای پیش بینی ESRD، با طرح های کالیبراسیون نشان می دهد توافق عالی بین پیش بینی و مشاهده خطر یکپارچه شده است. این مدل به یک سیستم EHR بیمارستان محلی یکپارچه شده و برای به دست آوردن ریسک در زمان واقعی در طول بازدید های سرپایی استفاده می شود، نشان دادن امکان سنجی.

چالش ها و محدودیت ها

علی رغم این نتایج امیدوار کننده، چندین مانع باید قبل از یادگیری ماشین برطرف شوند و می توانند به یک ابزار بالینی روتین برای پیش بینی DKD تبدیل شوند.

کیفیت داده ها و Heterogeneity

داده های EHR به طور بدنام پر سر و صدا هستند: ارزش های از دست رفته، فواصل اندازه گیری نامنظم و تفاوت در نمونه های آزمایشگاهی بین موسسات همه عملکرد مدل های درجه بندی شده است.به عنوان مثال، کیستاتین C به طور یکنواخت در سراسر مراکز اندازه گیری نمی شود، و کراتینین دارای تغییرات کالیبراسیون است.یک مدل آموزش داده ها از مراکز پزشکی دانشگاهی با نظارت مکرر آزمایشگاه ممکن است به کلینیک های اجتماعی که در آن ها اندازه گیری های رایج دارند، استفاده از داده های مشابه، و یا جمع آوری داده های محاسباتی، به طور دقیق تر (به عنوان مثال جمع آوری داده های استاندارد، به عنوان مثال، استفاده از داده های محاسباتی، به طور دقیق، به طور مداوم، به طور دقیق، استفاده از داده های پردازش داده ها، به عنوان مثال، استفاده از داده های استاندارد، داده های پردازش داده ها، استفاده از داده ها، استفاده از داده ها، استفاده از داده ها، به طور منظم، استفاده از داده ها، پردازش داده ها ادامه می تواند به طور کلی، پردازش داده ها ادامه داده ها ادامه داده ها ادامه داده ها ادامه دهد.

قابلیت پیش بینی و اعتماد

مدل های یادگیری عمیق، به ویژه کسانی که از شبکه های عصبی یا روش های گروه استفاده می کنند، اغلب به عنوان جعبه های سیاه توصیف می شوند. کلینیک ها به طور قابل درک تمایلی به عمل در یک نمره ریسک بدون درک تکنیک های هوش مصنوعی توجیه پذیر مانند SHAP (SHapley افزودنی های افزودنی افزودنی افزودنی افزودنی افزودنی) و LIME (توضیحات مبهم) می تواند برجسته باشد که به برخی از روش های محاسباتی خاص، حتی نیاز دارند و قابل اطمینان دارند:

بیاس و انصاف

اگر داده های آموزشی در حال حاضر گروه های جمعیتی خاصی را ارائه دهند، مدل ممکن است برای جمعیت های کم جمعیت ضعیف عمل کند (مطالعه ای که در منتشر شده است.[۱۰] داروهای دیجیتال طبیعت [[۳] ، به طور عمده برای زنان مبتلا به بهبود عملکرد مردان (۳٫۳٫۳٫۳g) دریافت که مدل های پیش بینی برابر DKD دارای نرخ مثبت برای بیماران سیاه پوست است.[۵]

ادغام در Workflow بالینی

یک مدل پیش بینی دقیق بی فایده است اگر جریان کار بالینی را مختل کند، بسیاری از مدل های تحقیق درجه ای هرگز در یک محیط زیست EHR زنده مستقر نشده اند: (1) واسطه ای که داده های زمان واقعی را از EHR، (2) نگرانی های خطر محاسبه شده در عرض چند ثانیه از برخورد بیمار، (3) پشتیبانی بالینی (CDS) که غیر قابل تشخیص است، و (4) هشدار کاربر پسند که هنوز در مورد استفاده از محدودیت های خطر استفاده می کنند (به احتمال زیاد خلبان در زمان استفاده از آن ها در درمان دائمی) استفاده می کند.

مسیر های آینده

نسل بعدی مدل های پیش بینی برای DKD دقیق تر، تفسیر پذیر و یکپارچه در تحویل مراقبت خواهد بود.

آموزش حفظ حریم خصوصی Multi-Site Education

برای آموزش مدل های قوی بدون متمرکز کردن داده های حساس بیمار، آموزش تغذیه شده به بیمارستان ها اجازه می دهد تا به طور مشترک یک مدل را در حالی که نگه داشتن داده های محلی.تنها به روز رسانی مدل (درجه) به اشتراک گذاشته شده است، حفظ حریم خصوصی نتایج اولیه از [LT: منبع داده های پیش بینی داده های کلیه [F1 ] F1 (2024] نشان داد که یک مدل آموزش دیده شده در سراسر 12 بیمارستان های مشابه (CSF6C) به عنوان یک پیش بینی داده های انتقال داده های مشابه داده ها به دست آمده است.

ادغام چند بعدی

پیشرفت در genomics، Proteomics و متاببولومیها تولید پروفایل مولکولی با ابعاد بالا است که می تواند به طور قابل توجهی پیش بینی DKD را بهبود بخشد. A 2024 مطالعه از ابتکار کلیه هاروارد ترکیب داده های EHR با امتیازات خطر چندوژنیک برای 120 ویژگی های مرتبط با کلیه و به دست آوردن AUC از 0.94 برای پیش بینی خطر 5 ساله (LT0) [F] ارزش افزوده، به عنوان مثال K-1.

نظارت بر ریسک زمان واقعی با شرایط

مانیتورهای مستمر گلوکز (CGMs) و مانیتورهای فشار خون خون، جریانهای داده با فرکانس بالا تولید می کنند که می توانند به مدل های یادگیری ماشین برای ارزیابی ریسک پویا تغذیه کنند، به عنوان مثال، یک مدل می تواند تشخیص دهد که فشار خون سیستولیک بیمار در طول دو هفته به طور فعال افزایش یافته است، همراه با افزایش تنوع گلوکز، و هشدار به بررسی مطالعات اولیه پوشیدنی که واقعا می تواند سرعت کاهش یابد، و کاهش سرعت تشخیص دهد.

آموزش ماشین راهنمایی برای درمان

مدل های پیش بینی فعلی پاسخ می دهند "چه کسی در معرض خطر است؟" اما نه "چه کاری باید در مورد آن انجام دهیم؟" ماشین یادگیری (به عنوان مثال، جنگل های علی، یادگیری ماشین دوگانه / غیرمتوسط) با هدف برآورد اثر ناهمگنانه از مداخلات - مانند مهارکننده های SGLT2، گیرنده GLP-1، آگونیست ها، یا فشار خون فشرده - کاهش پیشرفت پایدار برای تشخیص چنین روش های کنترلی می تواند از کاهش سرعت بالا باشد.

نتیجه گیری

یادگیری ماشین به سرعت در حال پیشرفت توانایی پیش بینی آسیب های طولانی مدت کلیه در بیماران دیابتی است، فراتر از عوامل خطر سنتی برای جذب الگوهای پیچیده در بالینی، تصویربرداری، ژنومیک و داده های پوشیدنی اخیر به طور مداوم AUCs بالاتر از 0.85 را گزارش می دهد، و در نهایت برخی از مدل های درک کننده خطر کلیه توسط 10-15٪، با این حال، یادگیری پوشیدنی اخیر نیاز به حل های دقیق تر دارد، و یکپارچه سازی داده ها، به عنوان مثال، و تجزیه و تحلیل دقیق تر، به طور موثر، به این روش های چند مرحله ای از کیفیت پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده ها، و تجزیه و تجزیه و تجزیه و تجزیه و تحلیل دقیق تر، و تجزیه و تجزیه و تحلیل دقیق تر، و تحلیل دقیق تر، و تحلیل دقیق تر، و تجزیه و تحلیل دقیق تر، و تحلیل دقیق تر، و تحلیل دقیق تر، و تحلیل دقیق تر، و تجزیه و تحلیل دقیق تر، و تحلیل دقیق تر، و تحلیل دقیق تر، و تحلیل دقیق تر، و تحلیل دقیق تر، در نهایت، و تجزیه و تحلیل دقیق تر، و تحلیل دقیق تر، و تحلیل