گزشتہ دہائی سے مشین سیکھنے سے پہلے ، بالخصوص طویل المدتی مریضوں میں شدید نقصان کی پیشینگوئی کرنے کے لئے مشینوں کی تعلیم حاصل کی گئی ہے ۔

ڈپریشن کی بیماری میں ابتدائی خطرناک صورتحال

ذیابیطس بیشتر ترقی یافتہ ممالک میں ختم ہونے والی بیماری (SRD) کی بنیادی وجہ ہے. اکثر دیر سے بیماری : مریض کے پاس عام ای جی ایف آر اور کوئی البم نہیں ہے جبکہ اس کے اندر موجود ترین Philbrosis اور گلمرشن کا نقصان ہے.

روایتی ماڈلوں پر مشین سیکھنا کیسے

کنونشني ایبٹ آباد طریقوں مثلاً لاگ انسي ای اوکسکسل ماڈلز ، تصوريطرز ميں line رشتوں اور آزادی کي کمیت۔ مشین سیکھنے والے ماڈلز ان حدود کو غير طور پر کنٹرول کر نے کے ليے،

کلیدی نمونہ‌سازی

  • Gradynting مشین [XGBost, LightGBM, CatBost) Constitution Tableular data from liptital teable accounties in Execreat accountities.
  • .Dep درس neral نیٹ ورک غیر مجاز اعداد و شمار کے لیے استعمال کیا جاتا ہے: convoutional nernets (CNs) کے لیے استعمال کیا جا سکتا ہے حیاتیاتی hipsy histopathology تا structions to fibrity and struction; indent neral nets (NNstrial strial etrait) اور Nidersssssssss (strial strial eGrole strial strial strial strial s) سے طویل sssss بنا سکتے ہیں۔
  • Random بچانے والے جنگلات وقت کے مطابق غیر جانبدارانہ تجزیہ کرنے والے جنگلات کو وسیع کرتے ہوئے غیر جانبدارانہ انداز پیش کرتے ہیں کہ جب انتہائی مشکل مفروضے کی خلاف ورزی کی جاتی ہے۔
  • . Deep محفوظ نیٹ ورک [مثلاً، DeepSurv, Cox Time) میں گہری سیکھنے کے تجزیے میں شامل، ہائیڈیز ڈیٹا سے پیچیدہ خطرات کو سیکھنے کے عمل کو سیکھنا۔

مثال کے طور پر ، ایک کشش‌انگیز طریقے جو مختلف مصنوعات کو ملاتی ہیں — مثال کے طور پر ، ایک Gradient کو ایک کیمیائی نیٹ‌ورک سے بڑھایا جاتا ہے — جو اختلاف اور اختلاف کو کم کرنے سے بہترین کارکردگی پیدا کرتا ہے ۔

ڈیٹا کے ذرائع اور معلوماتی انجینئری

کسی بھی مشین سیکھنے والے ماڈل کی کارکردگی کا انحصار ان پٹ ڈیٹا کی وسعت اور معیار پر ہے. عام ذرائع برائے DKD Affaition شامل ہیں:

  • Electric Health settlement (EHRs): ] ڈیموکریٹس، ادویات، لیبانک اقدار (cretinine, cystin C, HbA1c, Alblinuria)، اہم علامات اور طریقہ کار کوڈ۔
  • Medical imaging: [1] stronomic actress مورتیوں (renal long, Cortical teinness) اور حیاتیات سے مکمل طور پر hitopathology تصور۔
  • [Genomic data:] [5] Polygenic لاحقہ برائے کیمیائی خطرہ servation for serfropathy, واحدی-nucleotide polymorphismssss in ، [FLAT:3]، [FLT]، [FLT:FLT:T:T]]، [F5:TT:T]] [FLTT:T]]]] [TT: [TTTTTT]]]]]]] [(TTTTTT:T:T:TTT:TTTT]]]]]]]]]]]]] [[[[]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]][[[[:
  • ویلابل ڈیوائسز کی نالیوں : مسلسل گلوکوز کی نگرانی (CGIT) وقت کے مسلسل چکر، ابہامی دباؤ کی نگرانی اور جسمانی سرگرمیوں کے اعداد و شمار۔

نہایت قابل ذکر انجینئری ایک اہم قدم رہے گا. Derive خصوصیات مثلاً "GFR strict گزشتہ 24 مہینوں کے دوران"، "HbaA1c coefficial of change"، "وقت 70 mg/dL (hypolycemia Movincy) اور "مریخی سکردو" سے اکثر مراد وہ قوت ہوتی ہے جو اکثر نہایت ہی زیادہ واضع مقداریں بناتی ہیں

حالیہ تحقیق اور کلینکی وِلیشن

کئی ہائی مواصلاتی مطالعات نے 2020ء سے 2024ء کے درمیان شائع کیے ہیں اور مختلف آبادیوں میں مختلف اداروں میں موجود ڈی کیو ڈی کی دریافتوں کے لیے مشین سیکھنے کے ماڈلز کی برتری کا ثبوت دیا ہے۔

[حوالہ درکار] جوہری طبیعیات کے جوہری مطالعے نے برطانوی بیانووا کے مریضوں کے گہرے مطالعہ کے نمونے کو 180,000،000، او این اے ایف آر سی کے تحت، اے ایف اے کے تحت،

سے ایک اور قابل ذکر مطالعہ American Society of Nephrology[2024] نے EmPA-GEFCCC کے امتحان میں gridenting (XGBost) کو بڑھانے کے لیے Gradenting (XGBost) کا استعمال کیا.

میں شائع ہونے والی ایک 2024 میٹا-anlysis نے ]]]] ڈیبیس کی نگرانی تحقیق اور دریافت کیا کہ مشین سیکھنے والے ماڈلز کو 10–15% کی اوسط سے بہتر امتیاز حاصل کیا گیا ہے.

50،000 مریضوں کے چینی مطالعے میں جن میں قسم 2 ذیابیطس کے بعد 10 سال تک جاری رہی، ایک XGBost ماڈل نے اے سی اے ایف اے حاصل کی.

مشکلات اور مشکلات

ان پُراعتماد نتائج کے باوجود مشین سیکھنے سے پہلے کئی رکاوٹوں پر قابو پانا ضروری ہے

ڈیٹا کی خوبی اور ہیٹری‌جی‌اے

EHR اعداد بے حد غیر واضح ہیں : گم شدہ اقدار ، غیر مستحکم پیمائشی پیمائش اور تمام تر کمزور ماڈل کارکردگی کے درمیان میں فرق ۔ مثال کے طور پر ، قبرص کے سی سی سی کے مرکزوں میں ایک جیسے نہیں ہے اور نہ ہی عام طور پر تعلیمی مرکزوں کے ساتھ ساتھ ساتھ تعلیمی مرکزوں پر بھی لاگو کی گئی ہے ۔

غیرمتوقع اور اعتماد

گہرے سیکھنے کے ماڈل، خاص طور پر جن لوگوں کو neral نیٹ ورک یا انسبل طریقوں کو استعمال کرتے ہوئے اکثر سیاہ بکسز کہا جاتا ہے، انہیں اکثر سمجھ میں آنے والے کارڈوں کو شناخت کیے بغیر، کلینک کے قابلِ فہم طریقے سے کام کرنے سے قاصر رہتے ہیں۔

بیاس اور فاضل

اگر تربیت یافتہ اعداد و شمار کو مخصوص جمہوریہ کی جماعتوں کی طرف سے پیش کیا جائے تو ماڈل غیر درج ذیل آبادیوں کے لیے ضلع ہو سکتا ہے. میں شائع ہونے والا ایک مطالعہ [2] [FLT] [2] پایا گیا تھا. [FLT].2] کے لیے ایک عددیس ہے جو کہ خواتین کے لیے مخصوص کردہ سفید فام افراد کے لیے مخصوص کیا گیا تھا.

کلینک کے کام کے لئے عطیات

ایک درست پیشینگوئیوں کا ماڈل اگر وہ حساب لگانے میں ناکام ہو جائے تو بہت سے تحقیقی ماڈلز کو زندہ ای آر ماحول میں کبھی شامل نہیں کیا گیا. کامیاب درکار ہے: (2) درمیانے کا عمل جو کسی مریض سے ملنے کے بعد اعداد و شمار کو وقت کے اندر داخل کرتا ہے، (2) خبردار، (خط) خبردار کرتا ہے، (اشارہ یہ) انتہائی موزوں طور پر استعمال ہوتا ہے کہ وہ وقت پر (اس پر) کھا سکتے ہیں۔

مستقبل کی ہدایات

ڈی‌کی‌ڈی کے لئے پیشینگوئیوں کے نمونے کی اگلی نسل زیادہ درست ، قابلِ‌فہم اور نگہداشت فراہم کرنے کیلئے موزوں ہوگی ۔

پریویسی-پنچ-سیٹی-سیٹی ٹریننگ کے لیے Federated anding for Privay-Preserve Multi-Site ٹریننگ -

مرکزی حساس مریض اعداد و شمار کے بغیر، فیڈرل سیکھنے کے عمل سے ہسپتالوں کو ایک ماڈل کی تربیت دینے کی اجازت دیتا ہے جبکہ ڈیٹا مقامی کو محفوظ رکھنے کے دوران. صرف ماڈل تجدید، (gradents) کی نگرانی کرتا ہے. [2] سے ابتدائی نتائج اخذ کیے گئے ہیں.

ملتان-ومکس انتیگرامیشن -

حیاتیاتی کیمیاء، حیاتیاتی کیمیاء اور Metabolomics میں موجود حیاتیاتی تنوع (constructions) بلند ترین میکانیات (high-dimansional macular province) پیدا کر رہے ہیں جو قابل قدر بہتر طور پر DKDATION (DDATION) کے لیے 2024 مطالعہ نے Harbor Kedney Initiative acidenties کے لیے EHRATH4 کے اعداد و شمار کو ملا کر دیا اور حاصل کیا

حقیقی وقت خطرے کی روک تھام

مثال کے طور پر ، ایک ماڈل نے دو ہفتوں کے دوران ، دو منٹ کے اندر اندر اندر اندر اندر گھس کر دیکھا کہ ایک مریض کی قوتِ‌وخط میں اضافہ ہوا ہے اور اس سے پہلے کہ وہ اس کی جانچ پڑتال کر سکتا ہے ، اور اس طرح سے کہ ۱۰.

علاج کے لئے بنیادی مشین سیکھنے کی تربیت

حالیہ چند رموزی ماڈلوں کا جواب "کون ہے جو خطرے میں ہیں؟" لیکن "ہم کیا کریں؟ "" کیوسل مشین سیکھنے کا مطلب یہ ہے کہ جنگلات، ڈبل/مریخ پر تحقیق کرنا،

کُنَّا

مشین سیکھنے کی رفتار تیزی سے بڑھ رہی ہے تاکہ جن مریضوں کو ذیابیطس کی علامات میں طویل خطرناک نقصان کی پیشینگوئی کی جا سکے ان کے علاوہ ، روایتی خطرات کو پورا کرنے کے لئے مختلف ہیں