Table of Contents

رشد میان دیابت و سلامت Hepatic

ملانوما، به ویژه دیابت نوع 2، به طور دقیق با بیماری کبدی مرتبط است: کبد به خطر می تواند مقاومت به انسولین را تشدید کند، در حالی که کنترل گلیکمی ضعیف باعث آسیب کبدی شدید می شود، شایع ترین بیماری کبدی مرتبط با دیابت، بیماری کبدی غیرالکولیکیک (NAFLD)، که می تواند پیشرفت به غیر آلیکولیک کبدی زودرس (که باعث ایجاد بیماری کبدی می شود، حتی علائم کبدی قابل توجه و حتی تشخیص آن را به چالش می کشد.

روش های غربالگری سنتی - تست عملکرد کبد روتین و تصویربرداری از سونوگرافی - حساسیت محدودی برای بیماری های اولیه مرحله ای دارند.به عنوان مثال، سطح alanine آمینو ترانسفراز (ALT) اغلب طبیعی باقی می ماند حتی زمانی که فیبروز کبدی قابل توجه وجود دارد، این شکاف تشخیصی علاقه به روش های محاسباتی پیشرفته، به ویژه یادگیری ماشین (ML)، برای استخراج الگوهای پیچیده از داده های بیمار و شناسایی افراد در معرض آسیب های طولانی غیر قابل برگشت قرار دارد.

چگونه یادگیری ماشین پیشرفت Hepatology Screening

مدل های یادگیری ماشین در تجزیه و تحلیل داده های بالا و تشخیص روابط غیر خطی که آمار معمول ممکن است نادیده گرفته شود، در زمینه بیماری کبدی مرتبط با دیابت، الگوریتم ML در مخازن بزرگ از سوابق سلامت الکترونیکی، ارزش های آزمایشگاهی، آرشیو های تصویربرداری و داده های ژنومی برای تولید نمرات پیش بینی کننده خطر آموزش داده می شود.

مطالعات متعدد نشان می دهد که مدل های ML از حساب های ریسک سنتی، مانند نمره NAFLD فیبرbrosis یا شاخص FIB-4، در شناسایی بیماران با فیبروز پیشرفته، به عنوان مثال، یک مدل شبکه عصبی با ترکیب سن، شاخص توده بدن، HbA1c، شمارش پلاکت و آنزیم های کبدی به یک منطقه تحت ویژگی گیرنده (0CC) برای تشخیص یک گروه قابل توجه در این گروه 0.9bro.

ورودی های داده ضروری برای مدل های یادگیری ماشین

قدرت ML نه در یک متغیر واحد بلکه در ترکیب منابع داده متنوع است. موثرترین مدل ها برای تشخیص زودرس بیماری کبدی مرتبط با دیابت شامل دسته های زیر است:

  • نشانگرهای metabolic: ناشتای سریع گلوکز خون، HbA1c، سطح انسولین، شاخص HOMA-IR، تری گلیسیرید، کلسترول HDL.
  • بیوشیمی زنده: ALT، AST، GGT، فسفاتاتاز قلیایی، آلبومین، Bili Rubin Rubin Rubin Rubin Rubinin، شمارش پلاکت.
  • ویژگی های تصویربرداری: پارامترهای سونوگرافی کمی (به عنوان مثال، ضریب کم توجهی، سرعت موج پاشنه)، کسر چربی چگالی پروتون مشتق شده MRI، معیارهای رسوب آهن.
  • [ ]دمکراتیک و داده های سبک زندگی: [1 ] سن، جنس، قومیت، مدت زمان دیابت، وزن بدن، فعالیت بدنی، سابقه مصرف الکل.
  • ترکیب و داروها: حضور فشار خون، نارسی، بیماری قلبی عروقی، استفاده از استاتین ها، انسولین یا عوامل کاهش گلوکز.

مدل های پیشرفته همچنین ممکن است ویژگی های سری زمان مانند روند HbA1c یا آنزیم های کبدی را در طول ماه ها تا سالها ترکیب کنند، ثبت مسیر بیماری به طور وفادارتر از یک عکس فوری است. - مانند PNPLA3 و TM6SF2 انواع - به جای آن پیش بینی برای استاتوز و پیشرفت فیبروز را اصلاح می کند.

خانواده های الگوریتمی که در تمرین استفاده می شوند

هیچ الگوریتم ML تنها در سطح جهانی بهترین نیست، محققان به طور معمول چندین معماری را برای پیدا کردن مناسب ترین تناسب برای اندازه داده ها، انواع ویژگی ها و پرسش های بالینی به طور معمول مورد استفاده قرار می دهند:

  • بازگشت به طور منظم (Lasso، ریج): ساده، تفسیر و موثر در هنگام تعامل ویژگی محدود است.
  • جنگل های Random و درختان با شیب بالا (XGBoost، LightGBM): به شدت قوی برای از دست دادن داده ها و روابط غیر خطی؛ اغلب تولید مدل های برتر تولید برای داده های بالینی زبانه.
  • دستگاه های بردار پشتیبانی (SVMs): هنگامی که تعداد ویژگی ها نسبت به اندازه نمونه بزرگ است، مفید است.
  • شبکه های عصبی برش (DNNs): قوی ترین برای تصویربرداری پیچیده یا ادغام چند منظوره، هر چند نیاز به مجموعه داده های بزرگتر و منظم سازی دقیق.
  • مدل های سری زمان (LSTM، GRU): ایده آل برای داده های سابقه سلامت الکترونیکی طولی است که پیشرفت بیماری را در طول زمان به دست می آورد.

صرف نظر از الگوریتم، تمام مدل ها باید به طور دقیق در گروه های مستقل خارجی معتبر باشند تا اطمینان حاصل شود که قابلیت های عمومی در جمعیت های مختلف، تنظیمات مراقبت های بهداشتی و پروتکل های جمع آوری داده ها افزایش می یابد.تلاش های اخیر مانند برنامه تحقیقات بیماری های کبدی ارائه داده های شاخص باز برای سرعت بخشیدن به اعتبار.

مزایای بالینی تشخیص زود هنگام از طریق یادگیری ماشین

ادغام ML به مراقبت های دیابت روتین مزایای ملموس مختلفی را ارائه می دهد که به طور مستقیم نتایج بیمار را بهبود می بخشد.

دقت تشخیصی بالاتر

مدل های ML هر دو نرخ مثبت کاذب و منفی کاذب را کاهش می دهند.مطالعه با استفاده از درختان شیب دار بوت شده در بررسی بهداشت و تغذیه (NHANES) به درستی 87٪ از بیماران دیابتی را با فیبروز پیشرفته شناسایی کرد، در مقایسه با 65 تا 70٪ با سیستم های نمره سنتی، تعداد کمتری از موارد به معنای ارجاعات قبلی به Hepatology و کمتر مثبت کاذب از بیماران غیر ضروری و پر هزینه های کار.

سریع تر، غربالگری غیر تهاجمی

اکثر مدل های ML به داده های جمع آوری شده به طور منظم متکی هستند – کار خون و حیاتی – آماده در نمودار بیمار است.این نیاز به جذب خون اضافی یا تصویربرداری گران قیمت برای کاهش خطر اولیه را از بین می برد. داشبورد ساده می تواند بیماران پرخطر را در زمان واقعی در طول یک بازدید مراقبت اولیه، ایجاد یک بحث هدفمند و پیگیری کند.

استراتژی سازی ریسک شخصی

سیستم های نمره سنتی همان وزن را به عوامل خطر برای همه بیماران اختصاص می دهند. مدل های ML می توانند به طور پویا اهمیت هر عامل را بر اساس مشخصات منحصر به فرد فرد تنظیم کنند، به عنوان مثال، یک زن جوان با یک HbA1c بالا اما ALT طبیعی ممکن است امتیاز خطر متفاوتی نسبت به یک مرد مسن با همان ارزش های آزمایشگاهی دریافت کند، اما سابقه فشار خون بالا این رویکرد شخصی با دقت گسترده تر به سمت دقیق پزشکی گسترده تر است.

کاهش نیاز به روش های Invasive

بیوپسی کبد استاندارد طلایی برای مرحله بندی فیبروز باقی مانده است، اما خطرات خونریزی، عفونت و خطای نمونه برداری را همراه دارد.با شناسایی دقیق بیمارانی که در معرض خطر بسیار پایین بیماری قابل توجه قرار دارند، ML می تواند به بسیاری از بیماران دیابتی کمک کند تا از بیوپسی در مقابل، بیماران پرخطر بالا برای تأیید آزمایشات غیر تهاجمی مانند elastography Transient (FibroScan)، که کمتر و کمتر از بیوپسی تهاجمی است.

هزینه و بهینه سازی منابع

از منظر سیستم سلامت، غربالگری هدایت ML ارجاعات غیر ضروری متخصص، مطالعات تصویربرداری و بیوپسی ها را کاهش می دهد.یک مدل تصمیم گیری-analytic منتشر شده در Pubmed نشان داد که پیاده سازی یک ابزار خطرساز مبتنی بر ML در کلینیک مراقبت های اولیه کاهش هزینه های کلی بیمار در حالی که بهبود کیفیت زندگی، در درجه اول توسط پیشرفت بیماری پیشرفته است.

چالش های محدود کردن اتخاذ بالینی گسترده

علی رغم شواهد قانع کننده، چندین مانع باید قبل از غربالگری مبتنی بر ML به طور معمول در کلینیک های غدد شناسی و کبدی غلبه کنند.

کیفیت داده ها و نمایندگی

مدل های ML تنها به اندازه داده هایی که آموزش دیده اند، خوب هستند. بسیاری از مدل های موجود با استفاده از مجموعه داده ها از مراکز مراقبت های عالی یا جمعیت های همگن (به عنوان مثال، عمدتا مردان قفقاز از کشورهای با درآمد بالا) توسعه یافته اند، زمانی که به گروه های کم ارزش مانند اسپانیایی، سیاه و یا آسیایی با پروفایل های متابولیک مختلف اعمال می شود - اغلب عملکرد در تنوع داده های ضروری و اطمینان از طریق چندین سایت های ضروری است.

قابلیت پیش بینی و اعتماد

پزشکان به طور قابل درک در مورد توصیه "جعبه سیاه" بدون درک اینکه چرا بیمار نمره خطر بالایی دریافت کرد، تردید دارند. تکنیک های توضیح دهنده مانند SHAP (SHapley افزودنی افزودنی) یا LIME (توضیحات مدل غیرقابل پیش بینی) می تواند برجسته ترین ویژگی های برای هر پیش بینی.

حفظ حریم خصوصی داده ها و سازگاری تنظیم کننده

داده های سلامت بیمار توسط قوانینی مانند HIPAA در ایالات متحده و GDPR در اروپا محافظت می شود.اطلاعات اشتراک گذاری در موسسات برای آموزش مدل نگرانی های حریم خصوصی را افزایش می دهد. تکنیک هایی مانند یادگیری تغذیه شده، که در آن مدل ها به صورت محلی آموزش داده می شوند و تنها پارامترهای جمع آوری شده به اشتراک گذاشته می شوند، ارائه یک راه حل امیدوار کننده. علاوه، هر مدل ML مورد استفاده در یک تنظیم بالینی باید ترخیص قانونی (به عنوان مثال، FDA 510) دریافت کند.

ادغام در Workflow بالینی

مدلی که در یک سرور تحقیقاتی قرار دارد اما در رکورد سلامت الکترونیکی ادغام نمی شود (EHR) تاثیر دنیای واقعی کمی خواهد داشت. استقرار موفق نیاز به اتصال یکپارچه با سیستم های EHR موجود، نسل خودکار امتیازات خطر، و هشدار می دهد که پزشکان را با فروشندگان فناوری کاذب، تیم های IT سلامت و پزشکان درگیر نمی کند تا به طور نزدیک به طراحی گردش کار که بهبود می بخشد، به جای اینکه به این روش های مراقبت های بهداشتی کمک کند:

نوآوری های نوظهور در یادگیری ماشین برای Hepatology

این زمینه به سرعت در حال تکامل است. چندین دستورالعمل جدید وعده می دهد تا تشخیص و نظارت سریع بیماری کبدی مرتبط با دیابت را افزایش دهد.

مدل های چند منظوره ترکیب تصویربرداری و داده های آزمایشگاه

به جای تکیه بر ارزش های آزمایشگاهی، مدل های برش لبه هر دو داده تصویربرداری (ultra Sound، MRI یا CT) و نتایج آزمایشگاهی را به یک شبکه عصبی یکپارچه می دهند، چنین مدل های هیبریدی می توانند الگوهای فضایی نشانگر استات کبدی یا فیبروز را علاوه بر اختلالات متابولیکی اولیه نشان دهند که مدل های چند منظوره از روش های تک آرایش، به ویژه تشخیص NASH، خارج می شوند.

ادغام با دستگاه های پوشیدنی

مانیتورهای مداوم گلوکز (CGMs)، ردیاب های فعالیت و حتی سنسور ضربان قلب مبتنی بر ساعت هوشمند، جریان های داده با فرکانس بالا را تولید می کنند. مدل های ML که این داده های زمانی را شامل می شوند می توانند تغییرات ظریف مانند جهش های گلوکز پس از اندازه گیری را که با تجمع چربی کبد مرتبط است، تشخیص دهند.

پردازش زبان طبیعی (NLP) از یادداشت های بالینی

داده های ساختاریافته در یادداشت های پزشکی - مانند گزارش های سرپایی احساس خستگی بیشتری می کنند یا "خشونت چهار گانه راست" - نشانه های خطر ارزشمند را در خود جای داده اند. مدل های NLP می توانند این اشاره ها را استخراج کرده و آنها را به ویژگی های ساختاری تبدیل کنند.همراه با آزمایشگاه و داده های تصویربرداری، مدل های ان افزوده نشان داده شده است که تشخیص زودهنگام حوادث کبدی را بهبود می دهد.

هوش مصنوعی برای تجزیه و تحلیل داده های مصنوعی

یکی از محدودیت های ML در زیرمجموعه های بیماری نادر یا جمعیت کودکان کمبود داده ها است.شبکه های اجتماعی عمومی (GANs) و autoencoders متنوع می توانند سوابق واقعی پزشکی مصنوعی را تولید کنند که مجموعه داده های آموزشی را در حالی که حفظ حریم خصوصی گسترش می دهد، این سوابق مصنوعی به مدل ها کمک می کند بدون افشای داده های بیمار واقعی قوی تر شوند، اگرچه کنترل دقیق کیفیت برای جلوگیری از الگوهای معرفی ضروری است.

هوش مصنوعی برای پشتیبانی تصمیم گیری بالینی

چارچوب های جدیدتر در AI قابل توضیح (XAI) نه تنها اهمیت ویژگی جهانی را فراهم می کند بلکه توضیحات ضد واقعیت را نیز ارائه می دهد – اگر HbA1c بیمار 1٪ پایین تر بود، خطر آنها 15٪ کاهش می یابد، چنین بینش عملی پزشکان را قادر می سازد تا مداخلات شخصی سازی شده را طراحی کنند. این زمینه به سمت داشبورد تعاملی است که به پزشکان اجازه می دهد متغیرهای تنظیم شده و نمرات خطر به روز رسانی در زمان واقعی را مشاهده کنند.

گزینه های عملی برای کلینیک ها و سیستم های بهداشتی

برای سازمان های بهداشتی با توجه به اتخاذ ML برای تشخیص زودرس بیماری کبدی مرتبط با دیابت، مراحل زیر می تواند پیاده سازی موفق را تسهیل کند.

  • با یک وضعیت هدف مشخص شده شروع کنید: بر نقطه پایانی خاص تمرکز کنید، مانند تشخیص فیبروز قابل توجه (≥F2)، به جای تلاش برای پیش بینی تمام مراحل در یک زمان.
  • یک مدل شفاف و معتبر را انتخاب کنید: الگوریتم هایی را که تفسیر را ارائه می دهند (به عنوان مثال، مقادیر SHAP) و به طور خارجی در جمعیت مشابه با خود معتبر بوده اند.
  • کاربران نهایی را زود هنگام درگیر کنید: پزشکان مراقبت های اولیه، اندئوrinولوژیست ها و پرستاران در طراحی ابزار پشتیبانی تصمیم گیری برای اطمینان از آنها شهودی و عملی هستند.
  • پیاده سازی یک مرحله مرحله بندی: با یک خلبان در یک کلینیک واحد شروع کنید، معیارهای (حساسیت، خاص بودن، رضایت کلینیکی) را اندازه گیری کنید و سپس گسترش دهید.
  • بیننده برای حرکت: جمعیت بیمار و شیوه های ضبط داده در طول زمان تغییر می کند.
  • ] سرمایه گذاری در زیرساخت داده ها: اطمینان حاصل کنید که EHR شما از استخراج داده های استاندارد و محاسبات زمان واقعی برای امتیازات ML پشتیبانی می کند.

چشم انداز آینده: به سوی یک استاندارد مراقبت

همانطور که یادگیری ماشین همچنان به بلوغ ادامه می دهد، احتمالا به یک جزء استاندارد از مسیرهای مراقبت از دیابت تبدیل می شود، بسیار شبیه به اینکه چگونه تفسیر HbA1c خودکار در حال حاضر معمول است. مدل های پیش بینی کننده که با دستگاه های نظارت مداوم و سوابق سلامت الکترونیکی ادغام می شوند، یک تغییر از غربالگری اپیزوفریک به نظارت مداوم خطر را فعال می کنند.

تلاش های مداوم سازمان هایی مانند انجمن دیابت آمریکا و انجمن اروپایی برای مطالعه کبد برای شامل غربالگری اجتناب ناپذیر در دستورالعمل های خود را تسریع می کند، هدف نهایی این است که بیماری کبد را در مرحله ای که هنوز هم کم است، در حالی که میلیون ها بیمار یادگیری برگشت پذیر از بیماری های کبدی و بیماری های فنی است، به بیماری های کبدی آسیب پذیر است.