محققان در مطالعه ای که اخیراً در ژورنال Scientific Reportsمنتشر شده است، عملکرد مدل های مختلف یادگیری ماشینی را در تشخیص هپاتیت در میان افراد مبتلا به دیابت ارزیابی کردند.
پیش زمینه
اخیراً، بسیاری از مطالعات شیوع بالاتر عفونت های ویروس هپاتیتB (HBV) و ویروس هپاتیتC(HCV) را در جمعیت دیابتی گزارش کرده اند.
در مقایسه با افراد بدون دیابت، افراد مبتلا به دیابت 60 درصد بیشتر در معرض خطر ابتلا به عفونتHBV هستند. به طور مشابه، شیوع HCV نیز در گروه دیابتی نسبت به گروه غیر دیابتی بیشتر است.
از آنجایی که برخی از افراد دیابتی مبتلا به عفونت HBV یا HCV بدون علامت هستند، شناسایی آنها چالش برانگیز است. برای شناسایی یا پیشبینی خطر ابتلا به هپاتیت در افراد مبتلا به دیابت، نیاز به روشهای غربالگری انتخابی وجود دارد.
مطالعات قبلی نتایج متناقضی را در مورد عواملی که منجر به ایجاد هپاتیت در افراد مبتلا به دیابت می شود، گزارش کرده اند.
یادگیری ماشینی به عنوان یک ابزار بالقوه در بخش مراقبت های بهداشتی ظاهر شده است زیرا می تواند اطلاعات مفیدی را از مجموعه داده های بالینی نامتعادل استخراج کند. مدلهای یادگیری ماشینی را میتوان برای شناسایی عوامل کلیدی پیشبینی کننده ی توسعه هپاتیت در دیابت به کار برد. این به پزشکان کمک می کند تا استراتژی های پیشگیرانه یا درمانی بهینه ای را تدوین کنند.
مطالعات قبلی نشان دادهاند که مدلهای یادگیری ماشینی قادر به پیشبینی دقیق افرادی بودند که در معرض خطر بالای هپاتیت قرار داشتند.
مدلهای یادگیری ماشینی، مانند جنگل تصادفی(Random Forest) و K-nearest neighbour، دقت کلی 96 درصد را در پیشبینی HCV به همراه داشتند. در حالی کهتقویت گرادیان فوق العاده (XGBoost) می تواند HBV را با دقت 92 درصد پیش بینی کند.
ادغام الگوریتمهای مختلف یادگیری ماشین، یک تکنیک اسمبلی را ارائه می دهد که دقت بهتری نسبت به یک مدل یادگیری ماشینی منفرد دارد.
در مورد این مطالعه
این مطالعه بر تعیین مطلوبترین مدلهای یادگیری ماشینی که میتوانند هپاتیت را در افراد مبتلا به دیابت بهطور دقیق تشخیص دهند، متمرکز بود.
اندازهگیریهای بدنی، مشخصات دموگرافیک، پروفایل لیپیدی و دادههای پرسشنامه برای تعیین ارتباط بین دیابت و دوازده عامل خطر هپاتیت استفاده شد.
در این مطالعه از مجموعه داده های از پیش پردازش شده از نظرسنجی ملی سلامت و تغذیه(NHANES)، بین سال های 2013 و 2018 استفاده شد.
در این مطالعه چهار مدل یادگیری ماشینی به نامهای جنگل تصادفی (RF)، ماشین بردار پشتیبان(SVM)، تقویت گرادیان فوق العاده (XGBoost) و اپراتور حداقل انقباض و انتخاب مطلق (LASSO) برای تعیین خطر ابتلا به هپاتیت در بین دیابتیها ارزیابی شد.
یافته های این مطالعه
بر اساس معیارهای ورود، در مجموع 1396 بیمار دیابتی در این مطالعه انتخاب شدند. میانگین سنی شرکت کنندگان 54 سال بود. گروه مطالعه شامل 64 فرد مبتلا به HBV یا HCV و بقیه بدون هپاتیت بودند.
لازم به ذکر است که گروه هپاتیت درصد بیشتری از افراد سفیدپوست آسیایی و غیر اسپانیایی را تشکیل میداد، در حالی که گروه غیرهپاتیتی دارای تعداد بیشتری از افراد مکزیکی و سایر گروه های هیسپانیک بود. اکثر افراد در گروه هپاتیت مرد بودند.
با توجه به نسبت نامتعادل بین بیماران غیرهپاتیتی و هپاتیتی، از تکنیک متعادل سازی اقلیت مصنوعی(SMOTE) استفاده شد. پس از نرمال سازی داده ها، مدل یادگیری ماشین آموزش داده شد و عملکرد آنها مورد تجزیه و تحلیل قرار گرفت.
اگرچه همه مدلهای یادگیری ماشینی ارزیابیشده در این مطالعه عملکرد بهبود یافتهای را پس از فرآیند تنظیم فراپارامتر نشان دادند، بالاترین ظرفیت پیشبینی برای ایجاد عفونت HBV یا HCV در افراد مبتلا به دیابت توسطاپراتور حداقل انقباض و انتخاب مطلق (LASSO) نشان داده شد.
بهینهسازی فراپارامتر انتخاب مناسبترین پارامترها را امکانپذیر کرد که به بهبود عملکرد مدلهای یادگیری ماشین کمک نمود.
مطابق با یافته های این مطالعه، مطالعه قبلی نیز عملکرد برتر LASSO را در پیش بینی سرطان کبد در بیماران مبتلا به عفونت مزمن HBV نشان داد.
این مشاهدات کاربرد LASSO را در تصمیم گیری بالینی روشن می کند. پس از ترکیب مدلهای با کارایی بالا، نتایج نشان داد که انباشتگی همیشه معیارهای عملکرد را برای پیشبینیها بهبود نمیبخشد.
فقر، استفاده از مواد مخدر غیرقانونی و نژاد از عوامل اصلی پیشبینی کننده هپاتیت در افراد مبتلا به دیابت بودند.مطابق با یافته های مطالعه فعلی، شیوع بالاتری از هپاتیت در افراد مبتلا به دیابت در مقایسه با گروه غیر دیابتی مشاهده شد.
نتیجه گیری
یافتههای مطالعه حاضر نشان داد که مدلهای یادگیری ماشینی، به ویژه LASSO، میتوانند برای شناسایی عوامل مؤثر در عفونت هپاتیت در افراد مبتلا به دیابت استفاده شوند.
این رویکرد می تواند برای تشخیص زودهنگام هپاتیت در افراد مبتلا به دیابت مورد استفاده قرار گیرد و بنابراین به تصمیم گیری بالینی کمک می کند. این مطالعه بینش مهمی برای توسعه یک استراتژی غربالگری برای شناسایی افراد دیابتی در معرض خطر بالاتر هپاتیت ارائه کرد.
منبع: