مقالة مراجعة

مناهج التعلم الآلي لتقييم المخاطر الدقيقة للتفاعلات السلبية الناتجة عن نقل الدم: مراجعة قائمة على التعلم السكيت

DOI:

10.3791/69658

⸱

يناير 20, 2026

 ,  , 
1Department of Transfusion, The Affiliated Hospital of Southwest Medical University, 2Department of Transfusion, Dazhou Central Hospital

* These authors contributed equally

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تفحص هذه المراجعة إمكانات مكتبة التعلم الآلي scikit-learn في التنبؤ بالتفاعلات السلبية الناتجة عن نقل الدم. يحدد إطار عمل قائم على البيانات لتحسين تقييم المخاطر، ومعالجة قيود الأساليب التقليدية، ودعم تطوير طب نقل الدم الدقيق.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تشمل التفاعلات السلبية لنقل الدم (TARs) تأثيرات غير مرغوبة تحدث أثناء أو بعد نقل الدم، نتيجة إعطاء الدم أو منتجات الدم أو المواد المرتبطة بنقله. قد تسبب هذه التفاعلات أعراض سريرية خفيفة إلى شديدة، بما في ذلك ردود الفعل التحسسية، وتحلل الدم، وإصابات الرئة الحادة المرتبطة بنقل الدم (TRALI). الأساليب التقليدية الحالية - مثل مطابقة مجموعات الدم ABO/Rh وبروتوكولات نقل الدم الضخمة - يمكن أن تحسن نتائج المرضى لكنها تفشل في معالجة العوامل المعقدة الخاصة بالمرضى. وبالتالي، فإن تطوير نموذج مخصص لمخاطر TAR أمر ضروري. يمكن لخوارزميات التعلم الآلي (ML) الاستفادة من مجموعات البيانات السريرية والمخبرية واسعة النطاق لبناء نماذج تشخيصية وتنبؤية، مما يعزز الطب الشخصي والدقيق. ومن الجدير بالذكر أن خوارزمية التعلم الآلي scikit-learn (SK-learn) لم تطبق بعد مباشرة على تقييم مخاطر TAR (TAR)؛ ومع ذلك، فقد اكتسبت فعاليتها في بناء نماذج متشابهة للتنبؤ بالمخاطر الطبية اعترافا كبيرا. تقدم هذه المراجعة إطارا قائما على التعلم الآلي للتنبؤ ب TAR والوقاية منه، مع تركيز خاص على دور التعلم الذاتي عبر سياقات سريرية متنوعة. يضع تحليلنا الأساس للتشخيص الدقيق المستقبلي لتقنية TAR وتطوير خوارزميات التعلم الذاتي (SK-learn). والأهم من ذلك، أن تلخيصنا للأدبيات تشير إلى أن sklearn يقدم مجموعة أدوات متعددة الاستخدامات وقوية لهذه المهمة؛ ومع ذلك، فإن ترجمتها الناجحة إلى الممارسة السريرية تعتمد على تجاوز التحديات الرئيسية، بما في ذلك التباين في البيانات متعددة المراكز والحاجة إلى تفسير نماذج قوي.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نقل الدم هو تدخل ينقذ الحياة يستخدم في سياقات سريرية متنوعة، بما في ذلك رعاية الإصابات، والإجراءات الجراحية، وحالات الطوارئ التوليدية، والعلاجات الأورامية، وإدارة اضطرابات الدم المزمنة 1,2. على الرغم من الفوائد العلاجية الكبيرة، قد تسبب عمليات نقل الدم أحداثا سلبية متنوعة، تسمى مجتمعة ردود الفعل السلبية لنقل الدم (TARs)3,4. يمثل TAR حالة متعددة العوامل مع مظاهر تتراوح من ردود فعل تحسسية خفيفة إلى مضاعفات شديدة. تشمل أكثر التفاعلات شيوعا تفاعلات نقل الدم غير الانحلالية الحمى (FNHTRs) والتفاعلات التحسسية، مع حالات الحدوث المبلغ عنها حوالي 26 و21 لكل 100,000 وحدة نقل دم، على التوالي 5,6. بينما يمكن لمطابقة مجموعات الدم ABO/Rh وإجراءات نقل الدم الموحدة أن تقلل بشكل كبير من خطر TAR، مما يزيد من سلامة المرضى 7,8,9. لا يمكنها منع هذه الأحداث بالكامل، خاصة تلك التي لها أسباب معقدة أو مناعية.

تشير الأدلة إلى أن تعلم الآلة، وهو مجال فرعي من الذكاء الاصطناعي (الذكاء الاصطناعي)، يسهل دمج البيانات المعقدة ومتعددة الوسائط. تعزز هذه القدرة اتخاذ القرار السريري، وتسهل العلاج الشخصي، وتحسن الخدمات الطبية، مما يؤدي في النهاية إلى تحسين نتائج المرضى10,11. تم تقديم SK-learn في عام 2007، وهي مكتبة تعلم آلي مفتوحة المصدر بلغة بايثون. تشمل وظائفه الأساسية تحليل الانحدار المنفذ عبر خوارزميات التعلم الآلي، إلى جانب التصنيف، والتجميع، وتقليل الأبعاد، واختيار النماذج، وقدرات المعالجة المسبقة12. في التطبيقات الطبية، يستخدم SK-learn بشكل أساسي في التنبؤ بالأمراض، وتصنيف التشخيص، وتصنيف المخاطر السريرية13,14. على سبيل المثال، استخدمت دراسة مكتبة SK-learn لبناء نموذج تنبؤي يميز بفعالية بين اعتلال الكلى السكري واعتلال الكلى غير السكري، مما ساعد في التشخيص السريري والعلاج15. وبفضل مزايا خوارزمية sklearn، حصلت فعاليتها في بناء نماذج التنبؤ بمخاطر التفاعل السلبي بعد نقل الدم (TAR) على اعتراف كبير16,17.

تلخص هذه المراجعة التطورات الحالية في خوارزميات التعلم الآلي في التعلم الآلي من نوع SK وتحدد تطبيقاتها الانتقالية عبر سياقات الأمراض المتنوعة. علاوة على ذلك، يضع أيضا إطارا للتنفيذ السريري المستقبلي ل SK-learn في تشخيص TAR الطبقي حسب المخاطر والنمذجة التنبؤية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

مراجعة ومنظور

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نظرة عامة على TAR
مسببات مرض TAR
يشمل TAR طيفا متنوعا من المظاهر السريرية والآليات الفسيولوجية المرضية (الجدول الأول). تصنف هذه التفاعلات بشكل أساسيإلى أنواع فرعية موحدة بمناعية وغير مناعية 7,9,18,19. عادة ما تتضمن التفاعلات المناعية تفاعلات بين المستضد والأجسام المضادة، مما يؤدي إلى تحلل الدم أو استجابات التهابية جهازية. مثال ممثل هو عدم توافق ABO، الذي يمكن أن يسبب تفاعلات نقل دموية حادة (AHTRs). تظهر هذه الحالة على شكل حمى، ألم في الجانبين، ارتفاع ضغط الدم، التخثر المنتشر داخل الأوعية الدموية (DIC)، وفشل كلوي حاد 7,9,20. علاوة على ذلك، قد تؤدي ردود الفعل المفرطة للحساسية من النوع الأول إلى ردود فعل تحسسية لنقل الدم، مع مظاهر سريرية تتراوح من الشرى الخفيف إلى الحساسية المفرطة المهددة للحياة. ومن الجدير بالذكر أن هذه التفاعلات غالبا ما ترتبط بمنتجات الصفائح الدموية بسبب وجود بروتينات بلازما مانحة متبقية، بما في ذلك جزيئات مسببات الحساسية تحت اللقاح18،21،22،23. يعرف TRALI سريريا ببداية حادة لنقص الأكسجة ووذمة رئوية غير قلبية خلال 6 ساعات من نقل الدم. يتضمن المرض بشكل أساسي الأجسام المضادة المشتقة من المتبرع ضد مستضدات كريات الدم البيضاء البشرية (HLAs) أو المستضدات الخاصة بالخلايا الحبيبية 21,22,24. ومن الجدير بالذكر أن بعض مستضدات فصائل الدم، مثل مستضدات نظام كيد، يمكن أن تحفز تفاعلات نقل الدم المتأخرة، المعروفة أيضا باسم DHTRs، عند استهدافها بأجسام مضادة مضادة HLA مشتقة من المتبرع. وبشكل منفصل، يمثل TRALI، وهو نوع من إصابات الرئة الحادة المرتبطة بنقل الدم، كيانا مرضيا مميزا يتوسط بواسطة الأجسام المضادة المضادة ل HLA من المتبرع عبر آليات تنشيط العدلات 6,22. تشمل تفاعلات نقل الدم غير المناعية عدة كيانات سريرية، بما في ذلك التفاعلات الصرفية الناتجة عن التلوث البكتيري، والتحميل الزائد الحجمي، والتحلل الدموي الميكانيكي أو الحراري، وزيادة الحمل الدوري المرتبط بنقل الدم (TACO)9,23. تنتج تفاعلات نقل الدم العاتنة عن حقن منتجات دم ملوثة بالبكتيريا، وغالبا ما تكون المكورات العنقودية الذهبية، والمكورات العنقودية الذهبية، والإشريكية القولونية في الصفائح الدموية، وYersinia enterocolitica في خلايا الدم الحمراء. سريريا، تظهر هذه الدوائر مع حمى شديدة، وتصلب وانخفاض ضغط الدم، ويمكن أن تتطور بسرعة إلى الصدمة. ومن الجدير بالذكر أنه مع تطبيق فحص الممرضات الحساسة للغاية، انخفض خطر العدوى المنقولة عبر نقل الدم الكلاسيكية (مثل فيروس نقص المناعة البشرية، وفيروس نقص المناعة البشرية وفيروس التهاب الوريد) بشكل كبير. وبالتالي، فإن التفاعلات التعتمية، خصوصا من نقل الصفائح الدموية التي تخزن في درجة حرارة الغرفة، أصبحت الآن مضاعفات معدية أكثر شيوعا للنقل مقارنة ب TTIs. العدوى المنقولة بنقل الدم، والتي قد تسببها مسببات أمراض متنوعة مثل الفيروسات والبكتيريا والطفيليات، يمكن أن تحفز TAR عن طريق تنشيط الجهاز المناعي الفطري. تبرز المراجعات المنهجية الحديثة أن الفحص الشامل لمسببات الأمراض المناعية لا يزال التحدي الرئيسي في الوقاية من TAR المرتبط بالعدوى 25,26,27,28 (الجدول 1).

علم الأوبئة في منطقة التبت التبت
في الدول المتقدمة، لا تزال نسبة الإصابة الإجمالية ل TAR منخفضة نسبيا. تشير بيانات المراقبة الحالية إلى أن ردود الفعل التحسسية وردود فعل نقل الدم غير الانحلالية الحمى (FNHTRs) هي من بين أكثر الأحداث الجانبية المبلغ عنها شيوعا، حيث أصبحت ردود الفعل التحسسية الآن أكثر شيوعا من FNHTRs في العديد من أنظمة الإبلاغ. ردود فعل نقل الدم المصلية المتأخرة (DSTRs) أقل شيوعا 5,9,29. ومع ذلك، لا يزال تحليل الفحص التباهي يشكل تحديات سريرية كبيرة في الدول النامية ومجموعات محددة، مع وجود ملف مخاطرة مرتفع ناتج عن محددات متعددة العوامل، بما في ذلك الاختلافات في بروتوكولات الفحص الموحدة، وإجراءات التعامل مع منتجات الدم غير المثالية، وممارسات نقل الدم غير المتجانسة، والاستعدادات الجينية الخاصة بالسكان26,27. المرضى المصابون بفقر الدم المنجلي معرضون بشكل خاص لتفاعلات نقل الدم والمناعة التحصينية المختلطة. يعزى هذا الخطر المرتفع إلى الالتهاب المزمن، والفروق الظاهرية في مستضدات CRIC بين المتبرعين القوقازيين في الغالب ومرضى SCD من أصول أفريقية، والتعرض العالي مدى الحياة لنقل الدم، بدلا من وجود الهيموغلوبين المنجلي نفسه20,30. ومن الجدير بالذكر أن بيانات المراقبة الحديثة من المراكز الطبية الصينية الكبرى كشفت عن ارتفاع معدل الإصابة ب TAR التحسسي لدى الأطفال وحديثي الولادة مقارنة بالبالغين، ويرجع ذلك إلى عتبات نقل الدم والممارسات السريرية المختلفة. وعلى العكس، تظهر المجموعات الأوروبية نمطا وبائيا معاكسا في هذه الفئات العمرية19، 31، 32. على سبيل المثال، أفاد قو، ك. وآخرون 19 أن الأطفال في مركز وطني صيني رئيسي عانوا من ردود فعل تحسسية أكثر من البالغين، بينما في حديثي الولادة، تختلف عتبات وممارسات نقل الدم بشكل كبير عبر أوروبا33.

تستخدم التجارب السريرية الحالية التي تطور نماذج تقييم المخاطر لتقييم المخاطر ثلاثة أساليب استراتيجية أساسية تشمل تدابير وقائية مصنفة حسب المخاطر، وأنظمة مراقبة فورية مستمرة، وبروتوكولات إدارة مخصصة للفئات عالية الخطورة. تظهر هذه النماذج نظام تصنيف ثنائي الوضع، يتكون من أدوات فحص شاملة ذات تطبيق عالمي على متلقي نقل الدم وخوارزميات تنبؤية متخصصة مصممة لتحديد الأنواع الفرعية المحددة من ردود الفعل السلبية34,35. تستخدم أدوات تقييم المخاطر العامة، التي يتمثلها نظام المخاطر الخطيرة لنقل الدم (SHOT) البريطاني، مجموعات بيانات على مستوى السكان لتصنيف المستفيدين من نقل الدم. تظهر هذه الأنظمة فعالية خاصة في تحديد الفئات عالية الخطورة، بما في ذلك المرضى الذين لديهم تاريخ لنقل دم متعدد أو اضطرابات مناعة ذاتية36. تستخدم منهجية تقييم مخاطر نقل الدم والمعرفة السريرية التقليدية (TRACK) مقاييس أداء ثابتة مع قيم قطع محددة مسبقا لقياس أداء النموذج ضمن حدود القرار المحددة مسبقا. يصف هذا النهج القدرة التنبؤية للنموذج تحت معايير تشغيلية مقيدة37. وقد أسفرت التطورات الحديثة عن أدوات جديدة لتصنيف المخاطر للتنبؤ بنقل الدم. يدمج نظام SCORE الجديد ستة عوامل تنبؤية تم التحقق منها سريريا لتقدير احتمال نقل الدم. تظهر التحليلات المقارنة أن هذا النموذج المبسط يحقق دقة تنبؤية وأداء معايرة مماثلين لدرجة TRACK التقليدية عند التنبؤ بمتطلبات نقل الدم في إجراءات جراحية القلب38.

بالإضافة إلى نماذج تفاعلية محددة، تم دراسة العديد من النماذج الحية مؤخرا.39. TRALI هو مضاعفة ذات دلالة سريرية يتم تحديد ملف خطورتها من خلال تفاعل الأجسام المضادة المضادة لكريات الدم البيضاء والعدلات المضادة للبشر (Anti-HLA/HNA) المشتقة من المتبرع، وارتفاع المؤشرات الحيوية الالتهابية للمتلقي، بما في ذلك الإنترلوكين-6، وحجم نقل الدمالذي تم إعطاؤه 34,39,40. غالبا ما يتم تقييم خطر التحميل الدوري المرتبط بنقل الدم (TACO) باستخدام أنظمة تقييم سريرية تتضمن معايير مثل ارتفاع مستويات الببتيد الطبيعية من النوع B (BNP أو NT-proBNP)، وتاريخ من اضطرابات القلب، وارتفاع معدل نقل الدم، وتوازن السوائل الإيجابي. يتم تقييم خطر تحلل الدم المناعي بشكل استباقي من خلال فحص الأجسام المضادة عبر اختبار مضاد الغلوبولين غير المباشر (اختبار كومبس غير المباشر)، الذي يكشف عن أجسام مضادة ذات دلالة سريرية في بلازما المتلقي. يمكن تحديد هذه الأجسام المضادة اختيار وحدات دم سالبة للمستضد لنقل الدم، مما يمنع تفاعلات المستضد والأجسام المضادة التي كانت ستسبب تحلل الدم. تاريخ نقل الدم للمريض ضروري أيضا لتحديد التحسس السابق وخطر التفاعلات المتأخرة في التحلل الدموي. تدمج هذه النماذج الميكانيكية معايير سريرية ومخبرية متعددة الأبعاد لزيادة دقة التنبؤ بالتفاعلات السلبية 34,39,41. بالإضافة إلى ذلك، تم إنشاء بروتوكولات نقل دم ضخمة (MTPs) لتقليل الوفيات المرتبطة بالصدمات النزفية لدى المرضى الذين يعانون من نزيف شديد أو المرضى الجراحيين من خلال توحيد نسبة الدم الأحمر والبلازما والصفائح الدموية 42,43. ومع ذلك، فقد خفضت هذه الممارسات معدلات المرض المرتبطة بنقل الدم، ولا تلتقط بشكل كامل التفاعل المعقد بين المتغيرات المناعية وغير المناعية التي تحدد سلامة نقل الدم. تم التحقق من صحة العديد من أنظمة وبروتوكولات التقييم القائمة تحت ظروف محكمة أو مجموعات مرضى أضيق، مما يجعلها غير مثالية في البيئات الواقعية وغير المتجانسة 16,44,45,46. تطور ملفات الممرضات، والتغيرات في تجمعات المتبرعين، وتعقيد الرعاية الطبية الحديثة تتحدى الأساليب الثابتة 25,26,47. وقد أثار هذا الخلفية اهتماما متزايدا بتطبيق التعلم الآلي لتحسين تقييم مخاطر نقل الدم، ودمج البيانات السريرية ونتائج المختبرات والمجالات الناشئة مثل النماذج متعددة الأبعاد لإنشاء نماذج تنبؤية أكثر قوة (الشكل 1)48,49,50.

بناء نموذج تقييم المخاطر السريرية الحالي عبر التعلم الآلي
تعلم الآلة (ML)، كنموذج أساسي للذكاء الاصطناعي، يمكن اتخاذ القرار التكيفي من خلال الاكتشاف الآلي لأنماط البيانات الكامنة والتوليد الاستقرائي للنماذج التنبؤية، مما يتجاوز البرمجة الإجرائية الصريحة ويتيح تحسين الأداء المستمر في مجالات معقدة ومتطورة، بما في ذلك التشخيص الطبي والتنبؤ51. لقد مر تطور التعلم الآلي بثلاث مراحل مميزة: (1) العصر التأسيسي، الذي وضع الأساس النظري52؛ (2) النهضة الخوارزمية، التي تميزت بتقدمات كبيرة في آلات الدعم المتجهة وطرق المجموعات53؛ و(3) ثورة التعلم العميق، حيث أدت الشبكات العصبية الالتفافية والمتكررة، المدعومة بتسريع وحدات معالجة الرسومات والبيانات الضخمة، إلى تحولات نموذجية تحويلية عبر عدة مجالات54. في التطبيقات الطبية، أحدثت ثورة في تشخيص الصور الطبية واكتشاف المؤشرات الحيوية55.

تصنف أنظمة تعلم الآلة الحالية إلى ثلاثة نماذج أساسية بناء على آليات التعلم الخاصة بها: (1) التعلم المراقب، الذي يعتمد على مجموعات تدريب معنونة للنمذجة التنبؤية؛ (2) التعلم غير المراقب، الذي يكشف عن هياكل كامنة من البيانات غير المشروحة؛ و(3) التعلم العميق، الذي يستفيد من البنى العصبية الهرمية لتجريد الميزات تلقائيا. معا، تشكل هذه النماذج المنهجيات الأساسية التي تقومعليها تطبيقات الذكاء الاصطناعي المعاصرة.

في السنوات الأخيرة، اكتسبت التعلم الآلي تطبيقا واسعا في تطوير العلامات التشخيصية الطبية، وتقييم التشخيصات، وبناء نماذج المخاطر57,58. غالبا ما تظهر البيانات الطبية أبعادا عالية، مما يشكل تحديات كبيرة أمام التحليل الفعال عبر الطرق التقليدية14,59. تقنيات التعلم الآلي ممتازة في استخراج الميزات الحرجة من مثل هذه المجموعات المعقدة، مما يسهل تحديد الميزات الأساسية. تطبيق التعلم الآلي في طب نقل الدم في طور الظهور بسرعة. على سبيل المثال، أظهرت نماذج التعلم الآلي أداء متفوقا في مهام مثل تصنيف الصور الطبية والتحليل المرضي، مما أدى إلى تحسينات كبيرة في دقة التشخيص المبكر وتصنيف التوقعات60,61. من خلال الاستفادة من البيانات الخاصة بالمرضى، مثل الملفات الجينومية والتمثيلية الأيضية، يمكن للتعلم الآلي التنبؤ باستجابات علاجية شخصية، مما يدفع مجال الطب الدقيق62. بعيدا عن التنبؤ بالحاجة إلى نقل الدم، يتم تطبيق التعلم الآلي أيضا لتحسين إدارة منتجات الدم. استفادت الدراسات من التعلم الآلي في مهام مثل التنبؤ باستخدام الصفائح الدموية وتخصيص جداول طلبات الدم قبل العملية، مما أظهر إمكانية تحسين إدارة المخزون وتقليل الهدر.

علاوة على ذلك، يتيح التعلم الآلي دمج البيانات متعددة المصادر، بما في ذلك التصوير والجينوم والسجلات الصحية الإلكترونية (EHRs)، لبناء نماذج تنبؤية شاملة63. بالإضافة إلى ذلك، يدعم التعلم الآلي تنبيهات المخاطر الفورية، مثل التنبؤ بالإنتان لمرضى العناية المركزة، ويؤتمت سير العمل التشخيصي، مما يخفف عبء العمل على العاملين في الرعاية الصحية64. لقد ساهم التعلم الآلي بشكل كبير في دقة نماذج التنبؤ بالسرطان وتطوير الأهداف من خلال دمج بيانات المولتيوميكس، واستخراج الأنماط المعقدة، وتسريع تصميم الأدوية. بالإضافة إلى ذلك، يعزز التعلم الآلي دقة التشخيص من خلال تحديد الأنماط المعروفة وغير المعروفة التي تشير إلى وجود أو غياب السرطان65. أظهرت دراسة محاكاة أن أطباء الأشعة يمكنهم تخطي الحالات السلبية المتوقعة، مما يقلل عبء عملهم ليقرأ فقط 80.7٪ من صور الثدي مع الحفاظ على الحساسية والخصوصية العامة. لقد ثبت أن نماذج CNN يمكن استخدامها لتقسيم الأنسجة الوظيفية من صور الموجات فوق الصوتية للثدي، مما يساعد الأطباء في تفسير وتشخيص هذه الصور66. يعتمد التشخيص واختيار العلاج بشكل كبير على خصائص الورم، والتي يمكن التنبؤ بالعديد منها عبر نماذج التعلم الآلي المعتمدة على الصور. طبق بعض الباحثين شبكات CNN ثلاثية الأبعاد للتنبؤ بحالة طفرة EGFR في سرطان الغدة في الرئة من مناطق الاهتمام المختارة يدويا في الفحوصات المقطعية، مقدمين بديلا غير جراحي لتصنيف السرطان الجيني وتوجيه استراتيجيات علاجية محتملة67. تحمل التقنيات الجينومية الناشئة، مثل النسخ الخلوي الواحد والنسخ المكاني، وعودا كبيرة لإحداث ثورة في التوصيف النسيجي المرضي للأورام الصلبة. على وجه التحديد، تمكن علم النسخ الأحادي الخلية من تحليل مفصل لتركيب الخلية، مما يسمح لنماذج التعلم الآلي بالتنبؤ باستجابات علاج السرطان وآليات مقاومة الأدوية المحتملة68.

التعلم العميق (DL)، كفرع فرعي من التعلم الآلي، يستفيد من خوارزميات الشبكات العصبية متعددة الطبقات المستوحاة من البنية العصبية للدماغ للنمذجة التنبؤية69. على عكس طرق التعلم الآلي مثل الانحدار اللوجستي التي تستفيد من بنية الشبكة العصبية الخاصة بها، يمكن DL النماذج من التوسع بشكل أسي مع زيادة حجم البيانات وأبعادها69. تم تطبيق DL بشكل واسع في التطبيقات الطبية. في السنوات الأخيرة، تم اعتماد تقنيات التعلم العميق الناشئة على نطاق واسع لتشخيص السرطان، والتشخيص، وتحديد الأنظمة العلاجية. تعد بنى الشبكات العصبية المختلفة، بما في ذلك البيرسبترونات متعددة الطبقات (MLPs)، والشبكات العصبية المتكررة (RNNs)، والشبكات العصبية الالتفاهية (CNNs)، مكونات أساسية للمنهجيات المتقدمة69. قدمت الدراسات نموذجا لشبكة CNN قادر على التنبؤ بخطر الإصابة بالسرطان ليس فقط على مستوى الصورة بل أيضا على مستوى البكسل، مما يوفر خرائط حرارية تبرز المناطق الأكثر عرضة لتطوير الأورام الخبيثة70. لقد أثبت دمج شبكات CNN العميقة في أنظمة تصنيف السرطان القائمة على الأنسجة نجاحا، حيث تشير الدراسات إلى أن هذه النماذج يمكنها تحقيق أداء مماثل لأخصائيي علم الأمراض البشري في تقييم سرطانات البروستاتا والثدي والقولون واللمفوما71,72,73,74,75. أظهر الباحثون أن تقسيم الأنسجة السرطانية باستخدام مولد معتمد على CNN يمكن أن يساعد مصنفا معتمدا على CNN في التنبؤ بدرجة سرطان البروستاتا76. استخدم بعض الباحثين نموذج الشبكة العصبية الالفافية الهجينة (GCNN) لرسم خرائط ملفات التعبير الجيني على شبكة تفاعل البروتين والبروتين (PPI) في STRING، مما يمكن من التنبؤ بالأنواع الجزيئية لسرطان الثدي69,77. كما أظهر التعلم الآلي تطبيقا كبيرا في الأمراض غير السرطانية، لا سيما في النمذجة التشخيصية. على سبيل المثال، أجرت دراسات تدريبا خارجيا ومستقبليا والتحقق من نماذج التعلم الآلي للتنبؤ بالوفيات والأحداث الحرجة بين مرضى كوفيد-19 عبر أطر زمنية مختلفة. نجحت هذه النماذج في تحديد المرضى ذوي المخاطر العالية وتوضيح العلاقات الأساسية التي ساهمت في النتائج التنبؤية78. تعتمد النماذج الإشعاعية التقليدية بشكل رئيسي على ميزات هندسية يدويا مشتقة صراحة من الصور الطبية. استكشف الباحثون ما إذا كان يمكن استخدام السمات العميقة المستخرجة عبر التعلم الانتقالي لتوليد توقيعات راديوميكس للتنبؤ بالبقاء الكلي (OS) لمرضى الورم الأرومي الدبقي متعدد الأشكال (GBM)79. في السنوات الأخيرة، أظهر التعلم الآلي تقدما كبيرا في علم الأحياء الدقيقة80. تطبيق رئيسي في هذا المجال هو تمكين المتخصصين في الرعاية الصحية من تشخيص الكائنات الدقيقة المسؤولة عن الأمراض المعدية لدى المرضى بسرعة ودقة، وهو أمر بالغ الأهمية لتحديد استراتيجيات العلاج المناسبة. يمكن لنماذج التعلم الآلي تحقيق تشخيصات دقيقة عند تزويدها ببيانات إدخال مناسبة80. لقد ثبت أن استخدام شبكة عصبية التفافية مدربة مسبقا (CNN) كأداة لاستخراج الميزات، إلى جانب التحقق المتقاطع على مستوى المريض، يمكن أن يميز بفعالية بين الخلايا المصابة بالملاريا والخلايا غير المصابة، مما يعزز عمليات فحص الأمراض81. تم تطوير نموذج تعلم آلي يعتمد على مجموعة من 1,839 عزلة بكتيرية من المملكة المتحدة لتصنيف ملفات المقاومة Mycobacterium tuberculosis (M. tuberculosis) إلى ثمانية أدوية مضادة للسل (إيزونيازيد، ريفامبيسين، إيثامبوتول، بيرازيناميد، سيبروفلوكساسين، موكسيفلوكساسين، أوفلوكساسين، وستربتومايسين)، بما في ذلك السل المقاوم للأدوية المتعددة. مقارنة بالطرق السابقة، حسن النموذج الأفضل أداء حساسية الإيزونيازيد، والريفامبيسين، والإثامبوتول بنسبة 2-4٪، محققا حساسية بنسبة 97٪ (P < 0.01). The sensitivity for ciprofloxacin and multidrug-resistant tuberculosis increased to 96%. For moxifloxacin and ofloxacin, the sensitivity increased from 83% and 81%, respectively, based on known resistance alleles, to 95% and 96% (P < 0.01), representing improvements of 12% and 15%, respectively. Notably, compared with rule-based approaches, the model enhanced the sensitivity for pyrazinamide and streptomycin by 15% and 24%, respectively, reaching 84% and 87% (P < 0.01). The top-performing model also increased the area under the ROC curve for pyrazinamide and streptomycin by 10% (P < 0.01) and for other drugs by 4-8% (P < 0.01).

على سبيل المثال، عادة ما يتم تدريب نماذج DL على تحليل صور الثدي المموغرافية للتنبؤ باحتمال إصابة مريض بالسرطان في المستقبل82. بالإضافة إلى ذلك، أكد بعض الباحثين على مزايا هذه الطريقة للتنبؤ المباشر بالمخاطر، مشيرين إلى أن درجة خطر سرطان الثدي التي تم إنتاجها بواسطة نموذج الشبكة العصبية الالفافية Inception-ResNet-v2 أكثر دقة من الدرجة المستمدة من تقييم كثافة الثديالسريري 83. وبالمثل، طور بعض الباحثين نموذج تصوير الثدي المعتمد على DL يتفوق على نموذج Tyrer-Cuzick للمخاطر، والذي يعتمد على ميزات سريرية مثل عمر المريض، في التنبؤ بخطر تطور سرطان الثدي خلال خمس سنوات بين النساء84.

بالإضافة إلى ذلك، تم تطبيق التعلم الآلي في طب نقل الدم. الاهتمام المتزايد بتطبيق الذكاء الاصطناعي في طب نقل الدم يؤكد من خلال إدراجه في المنتديات المهنية الكبرى، مثل مؤتمر مخصص تستضيفه فريق العمل السريري لنقل الدم في الجمعية الدولية لنقل الدم (ISBT)، والذي يستكشف إمكانيات الذكاء الاصطناعي في ممارسة وتعليم وأبحاث النقل الصناعي (TM)85. نقل الدم (BT) هو عنصر حيوي في الرعاية الطبية للمرضى الجراحيين في وحدة العناية المركزة. حللت هذه الدراسة بيانات 9,118 مريضا في وحدة العناية المركزة الجراحية في قاعدة بيانات UMC، باستخدام التعلم الآلي للتنبؤ بمتطلبات نقل الدم. من خلال مقارنة أداء خوارزميات XGBoost والانحدار اللوجستي (LR) باستخدام بيانات من 6 ساعات قبل دخول وحدة العناية المركزة وحتى 1 و2 و3 و6 ساعات بعد الدخول، كشفت الأبحاث عن اختلافات كبيرة في خصائص المرضى بين مجموعات نقل الدم وغير النقل. تؤكد هذه النتائج جدوى التعلم الآلي في التنبؤ باحتياجات نقل الدم لمرضى العناية المركزة الجراحية86. غالبا ما تكون عمليات نقل الدم الخيالي ضرورية في جراحات مفصل الورك، لكنها ترتبط بزيادة مخاطر المرض. التنبؤ الدقيق بمتطلبات نقل الدم ضروري لتقليل هدر منتجات الدم وتحسين اتخاذ القرار قبل العملية. أنشأت دراسات حديثة 14 خوارزمية تعلم آلي للتنبؤ بمخاطر نقل الدم، مع دمج بيانات ديموغرافية للمرضى، ونتائج المختبرات قبل العملية، ومعلومات جراحية. تم تقييم أداء النموذج من خلال التمييز والمعايرة وتحليل منحنيات القرار. تم استخدام تفسيرات شابلي الإضافية (SHAPs) لتفسير النماذج، حيث أظهر مصنف الحافة أعلى دقة تنبؤية، محققا دقة AUC تبلغ 0.85 (فاصل الثقة 95٪: 0.81-0.88) ودرجة بريير 0.21. أظهر نموذج التعلم الآلي في هذه الدراسة أداء تنبؤيا عاليا لاحتياجات نقل الدم حول العمليات في جراحات مفصل الورك، باستخدام المتغيرات السريرية المتاحة87.

علاوة على ذلك، تم دمج التعلم الآلي بنجاح في تصميم الأدوية، مع معالجة تحديات مثل الوقت والتكاليف الحاسوبية مع تعزيز الموثوقية88,89. من خلال الاستفادة من بيئة ارتباط الليغاند ثلاثية الأبعاد للبروتينات، يسهل التعلم الآلي تحديد هياكل البروتينات المستهدفة، وهي خطوة محورية في اكتشاف الأدوية90. على سبيل المثال، يمكن تدريب AlphaFold، وهو أداة مدفوعة بالذكاء الذكاء الاصطناعي، مباشرة على بيانات بنك بيانات البروتين (PDB) وقادر على التنبؤ بهياكل البروتين ثلاثية الأبعاد من تسلسلات الأحماض الأمينية91. يستخدم ألفا فولد عملية من خطوتين: أولا، يقوم CNN بتحويل تسلسل الأحماض الأمينية للبروتين إلى مصفوفات بعيدة وزاوية التواء؛ ثانيا، تحول تقنيات تحسين التدرج هذه المصفوفات إلى بنية ثلاثية الأبعاد للبروتين92.

سكيت-ليرن (sklearn) هي مكتبة تعلم آلي تعتمد على بايثون، واشتهرت على نطاق واسع لسهولة استخدامها، ووثائقها الواسعة، ودعمها المجتمعي القوي93. يوفر مجموعة شاملة من الطرق الخاضعة للإشراف، مثل الانحدار اللوجستي، وآلات التوجيه الداعمة، والغابات العشوائية، بالإضافة إلى الطرق غير الخاضعة للإشراف، بما في ذلك التجميع وتقليل الأبعاد93. كما يوفر خطوط أنابيب تسهل معالجة البيانات المسبقة، وتدريب النماذج، والتحقق المتبادل، وضبط المعاملات الفائقة في إطار موحد93. تظهر أدوات تفسير النموذج، بما في ذلك مخططات أهمية ميزات التبديل ومخططات الاعتماد الجزئي، إلى جانب طرق المجموعات المتقدمة مثل تعزيز الغابات العشوائية والتدرج، أداء تنبؤي قويا باستمرار في سياقات الرعاية الصحية45,93.

وبالنظر إلى هذه الخصائص، تم استخدام SK-learn على نطاق واسع في البحث الطبي لمهام مثل تشخيص المرض12,94، والتنبؤ بأوقات البقاء95، وتحليل مجموعات بيانات التصوير الكبيرة96، وبناء نماذج التنبؤ بالمخاطر لاستخدام نقل الدم97. يقدم هذا القسم فحصا مفصلا لحالات التطبيق المحددة والتنفيذ التقني ويظهر مزايا SK-learn في بناء نماذج تشخيص الأمراض وتقييم المخاطر (الشكل 2). مع تركيز خاص على مجال السرطان، حيث تكون تطبيقاته أوسع ونضج، نقوم بتحليل الممارسات الناجحة ونعالج التحديات القائمة 12,93,95,98. علاوة على ذلك، نستكشف كيف يمكن لهذه الرؤى أن تكون مراجع قيمة وإلهام لتطوير نماذج التنبؤ بالمخاطر في منطقة الحكم المتكامل.

يوفر SK-Learn إطارا خوارزميا قويا يدمج تقنيات التعلم الآلي التقليدية — بما في ذلك آلات الدعم المتجهة (SVMs)، والغابات العشوائية، والانحدار اللوجستي — مع أساليب التعلم العميق مثل مصنف بيرسيبترون متعدد الطبقات (MLP)، مما يجعله مناسبا جدا لنمذجة مجموعات بيانات السرطان المتنوعة. على سبيل المثال، في تطوير نظام نسيجي جديد لتشخيص سرطان الغدة القشرية، استخدم الباحثون مكتبة sklearn في لغة بايثون لبناء نموذج رياضي متعدد الأبعاد. حقق هذا النموذج دقة تشخيصية إجمالية بلغت 100٪، مما أظهر تطبيقية واسعة عبر جميع المتغيرات الشكلية99.

علاوة على ذلك، تتيح أدوات SK-learn وGridSearchCV وRandomizedSearchCV تحسين المعاملات الفائقة تلقائيا. على سبيل المثال، عند التنبؤ بانتشار العقد اللمفاوية، تم ضبط معلمات نموذج XGBoost بدقة عبر التحقق المتبادل، مما أدى إلى قيمة AUC تبلغ 0.95212. على سبيل المثال، تظهر آلة ناقل الدعم (SVM) أداء متفوقا في مهام تصنيف سرطان الثدي. تمكن دالة النواة غير الخطية من معالجة فعالة لبيانات التصوير عالية الأبعاد. كشفت دراسة حللت بيانات الطيفية من مرضى سرطان الفم أن SVM، عند دمجه مع إزالة السمات العودية (RFE)، حقق حساسية 95٪ وخصوصية 96٪، متجاوزة بشكل ملحوظ تحليل فيشر الخطي المميز التقليدي (FLD)100. بالإضافة إلى ذلك، أظهر تحليل مقارنة أجري على مجموعة بيانات سرطان الثدي في UCI أن SVM تفوق على كل من تجميع K-means والشبكات العصبية الاصطناعية من حيث دقة التصنيف وقدرة التعميم101. قدرة SVM على التعامل مع البيانات عالية الأبعاد ذات صلة مماثلة في التنبؤ ب TAR، حيث يجب على النماذج دمج العديد من المعايير السريرية والمخبرية.

تظهر طريقة الغابات العشوائية أداء متفوقا في تحليل أهمية الميزات. استخدم بعض الباحثين غابات عشوائية لدمج البيانات الجينومية والسريرية وتحديد السمات الرئيسية المتعلقة بتوقعات سرطان الثدي. كانت نتائج التجميع مرتبطة بشكل كبير بالنتائجالسريرية 102. يمكن نقل هذا النهج مباشرة إلى نمذجة TAR لتحديد أكثر عوامل الخطر تأثيرا، مثل الأجسام المضادة المحددة للمتبرع أو العلامات الالتهابية للمتلقي، من مجموعة واسعة من الميزات المرشحة.

يظهر XGBoost، كخوارزمية تعزيز تدرج تمثيلية، أداء ممتازا في التنبؤ بمراحل السرطان. أشارت دراسة استندت إلى بيانات المولتيوميكس من TCGA إلى أن XGBoost، مع خصائص مثيلة الحمض النووي، يمكن أن يعزز الأداء التنبؤي لنموذجالتصنيف 103. في دراسة أخرى حول انتشار سرطان الثدي، قام XGBoost بتحسين معاملاته الفائقة من خلال Grid-Search CV وتم دمجها مع تصور قيمة SHAP. تم التعرف بنجاح على ستة جينات رئيسية، مثل SQSTM1 وGDF9. وصل AUC للنموذج إلى 0.82، مما وفر مؤشرات حيوية جديدة لتوقع مخاطر النقائل104. إن الجمع بين طرق المجموعات عالية الأداء مثل XGBoost مع شرح SHAP هو نموذج قوي يمكن اعتماده في نماذج TAR لتوفير تقييمات مخاطر شفافة وقابلة للتنفيذ.

يوفر SK-learn مجموعة أدوات موحدة للمعالجة المسبقة للبيانات تعالج بفعالية الأبعاد العالية، وعدم التوازن، والقيم المفقودة في بيانات السرطان. على سبيل المثال، في التنبؤ بسرطان القولون والمستقيم، تم استخدام نموذج انحدار لوجستي يفحص أربعة مؤشرات أساسية، مثل CEA والهيموغلوبين، لبناء نموذج تشخيصي غير جراحي بمساحة تحت المنحنى (AUC) تبلغ 0.849، متفوقا بشكل ملحوظ على الكشف عبر مؤشر ورمواحد 105. من حيث معالجة البيانات غير المتوازنة، من خلال دمج تقنية أخذ العينات الزائدة SMOTE من مكتبة التعلم غير المتوازن، حسن XGBoost حساسية الفئة الأقلية (العينات الخبيثة) بنسبة 8.36٪ في تصنيف سرطان الثدي، وبلغت قيمة F1 96.2٪106.

يوفر دمج SK-learn مع أدوات مثل SHAP و eli5 قابلية تفسير شفافة لنماذج السرطان. في التنبؤ بانتشار العقد اللمفاوية الحارسة في سرطان الثدي، يظهر نموذج XGBoost المرئي من خلال قيم SHAP أن ميزات الموجات فوق الصوتية مثل "العقد اللمفاوية المشبوهة" و"التشويش الهامش" لها أكبر مساهمة في خطر الانتشار، وهو ما يتوافق بشدة مع منطق التشخيص السريري12.

أظهر SK-learn مزايا كبيرة في الأبحاث المتعلقة بالأمراض غير السرطانية. غالبا ما تتطلب الأمراض غير السرطانية دمج بيانات متعددة المصادر، بما في ذلك السجلات الصحية الإلكترونية (EHR)، والتصوير، والجينوميات، والبروتيومكس، وغيرها. يستطيع SK-learn دمج سجلات السجلات الصحية الإلكترونية للمرضى، والملفات الوراثية، ومعلومات نمط الحياة للتنبؤ بخطر الأمراض المرتبطة بدقة عالية. على سبيل المثال، تم استخدام خوارزمية غابات عشوائية من SK-learn لدمج بيانات السجلات الصحية الإلكترونية للتنبؤ بمخاطر أمراض القلب والأوعية الدموية. لم يحسن هذا النهج بشكل كبير دقة التنبؤ بمخاطر القلب والأوعية الدموية فحسب، بل زاد أيضا من عدد المرضى الذين يمكنهم الاستفادة من التدخلات الوقائية مع تقليل العلاجات غير الضرورية للآخرين107. استخدم الباحثون مكتبة تعلم الآلة SK-learn من بايثون لتطوير وتدريب خمسة نماذج مميزة من الذكاء الاصطناعي - الانحدار اللوجستي، الغابة العشوائية، AdaBoost، CATBoost، وLightGBM - للتنبؤ بتمزق الكفة المدورة بعد الجراحة بعد إصلاح الكفة المدورة بالمنظار (ARCR). تم تطبيق النماذج المدربة لاحقا على مجموعة بيانات اختبار للتقييم. ومن الجدير بالذكر أن نموذج LightGBM حقق AUC بلغت 0.87، مما يدل على أدائه التنبؤي المتفوق في تقدير احتمال إعادة التمزق بعد ARCR108.

على الرغم من أن sklearn يستخدم على نطاق واسع في مجال التنبؤ الطبي، إلا أنه لا توجد حاليا أدبيات مباشرة حول تطبيقه في التنبؤ بردود فعل نقل الدم السلبية. هذه الفجوة لا تشير إلى عيب تقني، بل تبرز التحديات الفريدة والإمكانات غير المستغلة في التنبؤ بردود فعل نقل الدم السلبية.

تعتمد الطرق التقليدية لتقييم مخاطر التفاعلات السلبية الناتجة عن نقل الدم بشكل رئيسي على مؤشرات سريرية ثابتة، وتحليل أثري للتاريخ الطبي، واستبيانات الفحص الموحدة، والتي لها قيود متعددة 109,110,111. أحداث منطقة التبنيران ذاتية الحكم نادرة للغاية. معدل حدوث ردود فعل نقل الدم في عموم السكان البالغين يبلغ حوالي 2٪، مما يؤدي إلى تصنيف112 غير متوازن للغاية. هذا الخلل يجعل المصنفين القياسيين يعطيون الأولوية لدقة الطبقة الأغلبية على الطبقة الأقلية. لمعالجة هذه المشكلة، توفر وحدة التعلم غير المتوازنة sklearn، مثل SMOTE+ENN، حلا راسخا لإعادة توازن مجموعة البيانات. تساهم العديد من العوامل في حدوث ردود فعل سلبية بعد نقل الدم113. يتيح SK-learn معالجة فعالة للبيانات المجمعة، مما يسهل التحليل اللاحق. استخدام محولات الأعمدة للمعالجة المبدئية غير المتجانسة واتحاد الميزات لدمج الميزات متعددة الوسائط يسمح بتكامل سلس للبيانات المهيكلة114,115. في اتخاذ القرار السريري، شفافية النماذج أمر بالغ الأهمية. يتوافق SHAP/LIME مع نماذج sklearn، بما في ذلك TreeExplainer للغابات العشوائية، مما يضمن الامتثال التنظيمي مع الحفاظ على الأداء التنبؤي116,117.

لترجمة القدرات التي نوقشت ل sklearn إلى استراتيجية ملموسة للتنبؤ ب TAR، نقترح خط نمذجة عملي يتبع خارطة طريق التعلم الآلي المحددة (الشكل 3). تم تصميم هذا الإطار لمعالجة التحديات المحددة لتقنية التبني، مثل تباين البيانات وعدم التوازن الطبقي الشديد.

يتطلب تطوير نموذج تنبؤي قوي للتفاعلات السلبية في نقل الدم وجود خط تحليل من البداية إلى النهاية. تبدأ هذه العملية بدمج ومعالجة البيانات السريرية متعددة الوسائط، وتشمل التركيبة السكانية للمرضى، والعلامات الحيوية، وقيم المختبر، وتفاصيل نقل الدم، وخصائص المتبرع. يتم دمج أنواع البيانات المتنوعة بكفاءة باستخدام ColumnTransformer داخل خط الأنابيب الخاص ب sklearn لتطبيق التوسع والترميز المناسبين، مما يخلق مجموعة بيانات موحدة للتحليل. خطوة حاسمة لاحقة تشمل معالجة الاختلال الطبقي العميق المتأصل في أحداث TAR النادرة؛ يمكن إعادة توازن التسميات المستهدفة، التي تحددها النتائج التي تم الحكم عليها بدقة، باستخدام تقنيات مثل SMOTE-ENN من مكتبة التعلم غير المتوازن المتوافقة لمنع تحيز النماذج. بعد إعداد البيانات، يتم تدريب وتقييم عدة خوارزميات باستخدام واجهة برمجة التطبيقات المتسقة في sklearn، مع ضبط ومعايرة المعاملات الفائقة عبر GridSearchCV لتحسين الأداء وضمان تقديرات الاحتمالات الموثوقة. لتعزيز الثقة السريرية وتوفير رؤى ميكانيكية، يتم تفسير توقعات النموذج باستخدام أدوات مثل SHAP، التي يمكنها قياس مساهمة الميزات المحددة في درجة المخاطر للفرد. يتم بعد ذلك التحقق من قابلية تعميم النموذج بدقة باستخدام تقنيات قوية مثل التحقق المتقاطع المتداخل على بيانات مجموعات مرضى مختلفة. وأخيرا، من أجل الترجمة السريرية المحتملة، يمكن تسلسل كامل خط الأنابيب المدربة ودمجها في أنظمة السجلات الصحية الإلكترونية، لتعمل كأداة دعم اتخاذ القرار في الوقت الحقيقي توفر درجات المخاطر القابلة للتفسير للأطباء في نقطة الرعاية.

في هذه المراجعة، نبدأ بتقديم تقنية التبني، ونلخص نماذج TAR الموجودة، ونعرض مفهوم التعلم الآلي، ونبرز مزايا التعلم الآلي، ونناقش تطبيقاته في التنبؤ بالأمراض. نستكشف بشكل أكبر الإمكانيات التطبيقية للتعلم الآلي في TAR، مقدمين إرشادات للباحثين المستقبليين في تطوير نماذج التعلم TAR-SK. بالإضافة إلى ذلك، نشرح الدور المحتمل ل SK-learn في تقييم مخاطر TAR لكننا نؤكد أن القيود الملحوظة تحد بشكل كبير من تطبيقه السريري. تعتمد نماذج TAR الحالية بشكل رئيسي على مجموعات بيانات مركزية بأثر رجعي، قد تفشل في التقاط الاختلافات الإقليمية في ممارسات نقل الدم، أو الخصائص الديموغرافية مثل الفروق المرتبطة بالعمر بين الأطفال والبالغين، أو القابلية الجينية عبر مجموعات متنوعة 19,26,31,32. علاوة على ذلك، تدمج هذه النماذج بيانات المولتيوميكس بشكل غير كاف، بما في ذلك ملفات الأجسام المضادة HLA للمتبرعين والبروتيوميات الالتهابية للمتلقي، وهي ضرورية لفهم آليات TAR المنسوطة بالمناعة مثل TRALI. هذا القيد يحد من قدرتهم على التمييز بين الأنواع الفرعية المناعية وغير المناعية25,40. تظل قابلية التفسير تحديا رئيسيا: بينما يوفر SK-learn أدوات مثل قيم SHAP، إذا افتقرت التنبؤات الخوارزمية، مثل العلامات الجينية النادرة، إلى التحقق البيولوجي كعوامل خطر، فقد يتردد الأطباء في تبني هذه النماذج، مما يؤدي إلى انفصال بين نتائج التعلم الآلي والحدس السريري14,50. يواجه التنفيذ العملي أيضا تحديات، مثل الحاجة إلى بنية تحتية حسابية قوية ومعالجة مبدئية موحدة لبيانات السجلات الصحية الإلكترونية (EHR)، والتي غالبا ما تكون غير متوفرة في البيئات ذات الموارد المحدودة47,87.

لمعالجة هذه الفجوات، يجب أن تعطي الأبحاث المستقبلية الأولوية لجمع البيانات متعدد المراكز المستقبلي، مثل دمج مجموعات البيانات من سجلات TAR الدولية، بما في ذلك نظام SHOT البريطاني ومجموعات الأطفال الصينية، لتقليل تحيز الاختيار وتعزيز قابلية تعميم النموذج19,36. دمج البيانات متعددة الوسائط، بما في ذلك تسلسل الحمض النووي الريبي أحادي الخلية لدم المتبرع وعلامات البروتين الالتهابي، في خط أنابيب SK-learn يمكن أن يحسن تصنيف النوع الفرعي ل TAR، مشابها لتحسن الحساسية بنسبة 12-24٪ لوحظ في دراسات التنبؤ بمقاومة أدوية السل73. التعاون مع علماء المناعة للتحقق من الآليات، مثل ربط ميزات المخاطر التي تم تحديدها بواسطة التعلم المبكر - أي تركيبات أجسام مضادة محددة ل HLA - مع اختبارات تنشيط المكملات المختبرية، يمكن أن يجسر الفجوة بين التنبؤات الخوارزمية والآليات البيولوجية22,24. يعد تطوير أدوات دعم اتخاذ القرار السريري سهلة الاستخدام القادرة على استخراج الميزات الفورية تلقائيا من سجلات الصحة الإلكترونية، مثل حجم نقل الدم ومستويات BNP، وتوفير درجات مخاطر قابلة للتفسير إلى جانب معايير التشخيص التقليدية، أمرا أساسيا لدمج سلس في سير العمل السريري 97,107.

مقارنة بالنماذج التقليدية ل TAR مثل مطابقة ABO/Rh ودرجات TRACK، يتمتع SK-learn بمزايا كبيرة. على سبيل المثال، تتفوق خوارزميات المجموعات مثل LightGBM في نمذجة التفاعلات غير الخطية بين عوامل الخطر، مثل الأجسام المضادة المضادة لHLA من المتبرعين ومستويات IL-6 لدى المتلقين، مما يؤدي إلى زيادة في الحساسية بنسبة 12-24٪ في دراسات التنبؤ بمقاومة المضادات الحيوية. أدوات تحديد أولويات الميزات المعتمدة على البيانات، مثل أهمية الميزة البديلية، يمكنها تحديد مؤشرات خطر جديدة، بما في ذلك مدة تخزين الدم والمضاعفات غير المكتشفة، تتجاوز المعرفة السريرية المحددةمسبقا 45,93. علاوة على ذلك، فإن بنية المصدر المفتوح ومتطلباتها الحاسوبية المعتدلة تجعله قابلا للتطبيق في البيئات التي تعاني من الموارد المحدودة، على عكس أطر التعلم العميق69,93.

لترجمة هذا الإمكان إلى تأثير سريري، يجب أن يركز العمل المستقبلي على عدة مجالات رئيسية. أولا، جمع البيانات المستقبلي متعدد المراكز ضروري لتجاوز تحيز الاختيار وتحسين قابلية تعميم النموذج عبر مجموعات سكانية متنوعة. ثانيا، سيوفر دمج البيانات متعددة الوسائط (مثل ملفات الأجسام المضادة للمتبرعين، وعلامات التهاب المتلقين) مجموعة ميزات أكثر شمولا، مما يمكن نماذج sklearn من التمييز بشكل أفضل بين الأنواع الفرعية من TAR والتقاط التفاعلات المعقدة للمخاطر. ثالثا، التحقق البيولوجي من ميزات المخاطر التي تحددها الخوارزميات (مثل ربط الأجسام المضادة الخاصة بالHLA باختبارات المختبر) أمر بالغ الأهمية لسد الفجوة بين التنبؤ الإحصائي والفهم الآلي، مما يبني الثقة السريرية. وأخيرا، فإن تطوير أدوات سريرية سهلة الاستخدام وقابلة للتفسير توفر درجات المخاطر في الوقت الحقيقي سيسهل دمج هذه النماذج بسلاسة في سير العمل الروتيني، مما يحول النموذج من إدارة التفاعل إلى الوقاية الاستباقية.

في الختام، تؤكد هذه المراجعة الإمكانات التحويلية ل SK-learn في تقييم مخاطر نقل الدم، مع معالجة حدود الطرق التقليدية القائمة على القواعد. من خلال دمج البيانات السريرية المعقدة، وإعطاء الأولوية لميزات المخاطر، وتوفير توقعات قابلة للتفسير، يعد SK-Learn حجر الأساس لطب نقل الدم الدقيق. ومع ذلك، يتطلب تحقيق هذه الإمكانات تعاونا متعدد التخصصات، والتحقق متعدد المراكز على نطاق واسع لنماذج التعلم السريرية الذهنية، ودمج البيانات المتعددة الولائق والبيانات السريرية في الوقت الحقيقي، وتطوير أدوات صديقة للأطباء لربط الرؤى الخوارزمية بالآليات البيولوجية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الاستنتاجات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

figure-results-1
الشكل 1: توضيح لفئات TAR ونموذج تقييم المخاطر الحالي مع الاستراتيجيات المحتملة ل SK-learn في تقييم المخاطر TAR. (أ) يمكن تقسيم TAR إلى نوعين: التفاعلات التي تتوسط المناعة والتفاعلات غير المنيعة. (ب) نماذج تقييم المخاطر الحالية التي تستهدف TAR. (ج) فرضية SK-learn في TAR بموجب منهجية ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنهم لا يملكون مصالح متنافسة.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد دعم هذا العمل مكتب العلوم والتكنولوجيا في لوتشو، رقم 2024JYJ034، العنوان: تأثيرات الإشعاع ووقت التخزين على الحويصلات خارج الخلايا في تركيزات الصفائح الدموية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Tanhehco, Y. C. Red blood cell transfusion. Clin Lab Med. 41 (4), 611-619 (2021).
  2. Albright, C. M., Spillane, T. E., Hughes, B. L., Rouse, D. J. A regression model for prediction of cesarean-associated blood transfusion. Am J Perinatol. 36 (9), 879-885 (2019).
  3. Abdallah, R., Rai, H., Panch, S. R. Transfusion reactions and adverse events. Clin Lab Med. 41 (4), 669-696 (2021).
  4. Wang, Y., Rao, Q., Li, X. Adverse transfusion reactions and what we can do. Expert Rev Hematol. 15 (8), 711-726 (2022).
  5. Chen, C., et al. Incidence and risk factor of blood transfusion after abdominal radical hysterectomy for cervical cancer: A 10-year retrospective study of the us nationwide inpatient sample. BMC Cancer. 24 (1), 1454(2024).
  6. Deb, J., et al. Delayed haemolytic transfusion reaction due to kidd antibodies. Transfus Clin Biol. 29 (3), 269-272 (2022).
  7. Gehrie, E. A., Savani, B. N., Booth, G. S. Risk factors for hemolytic transfusion reactions resulting from abo and minor red cell antigen incompatibility: From mislabeled samples to stem cell transplant and sickle cell disease. Blood Rev. 45, 100719(2021).
  8. Maitland, K., et al. Transfusion management of severe anaemia in african children: A consensus algorithm. Br J Haematol. 193 (6), 1247-1259 (2021).
  9. McCullagh, J., et al. Assessing the risks of haemolysis as an adverse reaction following the transfusion of abo incompatible plasma-containing components - a scoping review. Blood Rev. 56, 100989(2022).
  10. Beam, A. L., Kohane, I. S. Big data and machine learning in health care. Jama. 319 (13), 1317-1318 (2018).
  11. Nwanosike, E. M., Conway, B. R., Merchant, H. A., Hasan, S. S. Potential applications and performance of machine learning techniques and algorithms in clinical practice: A systematic review. Int J Med Inform. 159, 104679(2022).
  12. Zhang, G., et al. A machine learning model based on ultrasound image features to assess the risk of sentinel lymph node metastasis in breast cancer patients: Applications of scikit-learn and shap. Front Oncol. 12, 944569(2022).
  13. Poly, T. N., Islam, M. M., Li, Y. J. Early diabetes prediction: A comparative study using machine learning techniques. Stud Health Technol Inform. 295, 409-413 (2022).
  14. Esteva, A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542 (7639), 115-118 (2017).
  15. Zhou, D., et al. A machine learning model for predicting diabetic nephropathy based on tg/cys-c ratio and five clinical indicators. Diabetes Metab Syndr Obes. 18, 955-967 (2025).
  16. Li, N., Down, D. G. Deep learning for platelet transfusion. Blood. 142 (26), 2231-2232 (2023).
  17. Lou, S. S., et al. Personalized surgical transfusion risk prediction using machine learning to guide preoperative type and screen orders. Anesthesiology. 137 (1), 55-66 (2022).
  18. Kulhas Celik, I., et al. Frequency and clinical characteristics of allergic transfusion reactions in children. Transfus Apher Sci. 60 (4), 103152(2021).
  19. Guo, K., et al. Transfusion reactions in pediatric patients: An analysis of 5 years of hemovigilance data from a national center for children's health in china. Front Pediatr. 9, 660297(2021).
  20. Thein, S. L., et al. Hemolytic transfusion reactions in sickle cell disease: Underappreciated and potentially fatal. Haematologica. 105 (3), 539-544 (2020).
  21. Chin, J. L. J., et al. Poor utility of current nomograms assessing the risk of intraoperative blood transfusion in patients undergoing liver resection for hepatocellular carcinoma and proposal of a new model. Surgery. 172 (5), 1442-1447 (2022).
  22. Nguyen, N. T., Titze, T. L., Nissen-Meyer, L. S. H. Evaluation of transfusion reactions in patients following transfusion of blood components containing antibodies to hla class i - an attempt to prevent trali in patients. Transfus Apher Sci. 63 (4), 103970(2024).
  23. Saadah, N. H., et al. Transition from fresh frozen plasma to solvent/detergent plasma in the netherlands: Comparing clinical use and transfusion reaction risks. Haematologica. 105 (4), 1158-1165 (2020).
  24. Yanagisawa, R., Yamanaka, M., Kawakami, F., Nakazawa, H. Sub-pollen in platelet products: A potential cause of allergic transfusion reactions. Allergol Int. 73 (1), 184-186 (2024).
  25. Kiely, P., et al. Erratum to "emerging infectious diseases and blood safety: Modeling the transfusion-transmission risk" (transfusion medicine reviews 31/3 [2017] 154-164). Transfus Med Rev. 32 (1), 66-68 (2018).
  26. Mangala, C., et al. Prevalence and factors associated with transfusion-transmissible infections (hiv, hbv, hcv and syphilis) among blood donors in gabon: Systematic review and meta-analysis. PLoS One. 19 (8), e0307101(2024).
  27. McManus, H., et al. Risk of variant creutzfeldt-jakob disease transmission by blood transfusion in australia. Vox Sang. 117 (8), 1016-1026 (2022).
  28. Shahi, N., et al. Decision-making in pediatric blunt solid organ injury: A deep learning approach to predict massive transfusion, need for operative management, and mortality risk. J Pediatr Surg. 56 (2), 379-384 (2021).
  29. Rogers, M. A., Rohde, J. M., Blumberg, N. Haemovigilance of reactions associated with red blood cell transfusion: Comparison across 17 countries. Vox Sang. 110 (3), 266-277 (2016).
  30. Shah, N., et al. Real-world effectiveness of voxelotor for treating sickle cell disease in the us: A large claims data analysis. Expert Rev Hematol. 15 (2), 167-173 (2022).
  31. Hanson, S. J., et al. Transfusion practices in pediatric cardiac surgery requiring cardiopulmonary bypass: A secondary analysis of a clinical database. Pediatr Crit Care Med. 22 (11), 978-987 (2021).
  32. Kohorst, M. A., et al. Transfusion reactions in pediatric and adolescent young adult haematology oncology and immune effector cell patients. EClinicalMedicine. 26, 100514(2020).
  33. Houben, N. A. M., et al. Platelet transfusion in neonatal intensive care units of 22 european countries: A prospective observational study. Lancet Reg Health Eur. 47, 101086(2024).
  34. Semple, J. W., Rebetz, J., Kapur, R. Transfusion-associated circulatory overload and transfusion-related acute lung injury. Blood. 133 (17), 1840-1853 (2019).
  35. Murphree, D., et al. Ensemble learning approaches to predicting complications of blood transfusion. Annu Int Conf IEEE Eng Med Biol Soc. 2015, 7222-7225 (2015).
  36. Bolton-Maggs, P. H., Cohen, H. Serious hazards of transfusion (shot) haemovigilance and progress is improving transfusion safety. Br J Haematol. 163 (3), 303-314 (2013).
  37. Leff, J., Romano, C. A., Gilbert, S., Nair, S. Validation study of the transfusion risk and clinical knowledge (track) tool in cardiac surgery patients: A retrospective analysis. J Cardiothorac Vasc Anesth. 33 (10), 2669-2675 (2019).
  38. Madhu Krishna, N. R., et al. Evaluation of risk scores in predicting perioperative blood transfusions in adult cardiac surgery. Ann Card Anaesth. 22 (1), 73-78 (2019).
  39. Roubinian, N. Taco and trali: Biology, risk factors, and prevention strategies. Hematology Am Soc Hematol Educ Program. 2018 (1), 585-594 (2018).
  40. Tung, J. P., et al. Transfusion-related acute lung injury (trali): Potential pathways of development, strategies for prevention and treatment, and future research directions. Blood Rev. 53, 100926(2022).
  41. Hendrickson, J. E., Fasano, R. M. Management of hemolytic transfusion reactions. Hematology Am Soc Hematol Educ Program. 2021 (1), 704-709 (2021).
  42. Nunez, T. C., Young, P. P., Holcomb, J. B., Cotton, B. A. Creation, implementation, and maturation of a massive transfusion protocol for the exsanguinating trauma patient. J Trauma. 68 (6), 1498-1505 (2010).
  43. Ohbe, H., et al. Trends in massive transfusion practice for trauma in japan from 2011 to 2020: A nationwide inpatient database study. J Intensive Care. 11 (1), 46(2023).
  44. Ahmadzia, H. K., et al. Machine learning models for prediction of maternal hemorrhage and transfusion: Model development study. JMIR Bioinform Biotechnol. 5, e52059(2024).
  45. Maynard, S., et al. Machine learning in transfusion medicine: A scoping review. Transfusion. 64 (1), 162-184 (2024).
  46. Mitterecker, A., et al. Machine learning-based prediction of transfusion. Transfusion. 60 (9), 1977-1986 (2020).
  47. Shang, G., Biggerstaff, B. J., Richardson, A. M., Gahan, M. E., Lidbury, B. A. A simulation model to estimate the risk of transfusion-transmitted arboviral infection. Transfus Apher Sci. 55 (2), 233-239 (2016).
  48. D'Alessandro, A. Red blood cell omics and machine learning in transfusion medicine: Singularity is near. Transfus Med Hemother. 50 (3), 174-183 (2023).
  49. Lopes, M. G. M., et al. Big data in transfusion medicine and artificial intelligence analysis for red blood cell quality control. Transfus Med Hemother. 50 (3), 163-173 (2023).
  50. Roubinian, N. H., et al. Donor genetic and nongenetic factors affecting red blood cell transfusion effectiveness. JCI Insight. 7 (1), e152598(2022).
  51. Toma, A., Diller, G. P., Lawler, P. R. Deep learning in medicine. JACC Adv. 1 (1), 100017(2022).
  52. Stilgoe, J. We need a weizenbaum test for ai. Science. 381 (6658), eadk0176(2023).
  53. Valkenborg, D., Rousseau, A. J., Geubbelmans, M., Burzykowski, T. Support vector machines. Am J Orthod Dentofacial Orthop. 164 (5), 754-757 (2023).
  54. Sarker, I. H. Deep learning: A comprehensive overview on techniques, taxonomy, applications and research directions. SN Comput Sci. 2 (6), 420(2021).
  55. Howell, M. D., Corrado, G. S., DeSalvo, K. B. Three epochs of artificial intelligence in health care. Jama. 331 (3), 242-244 (2024).
  56. Rauschert, S., Raubenheimer, K., Melton, P. E., Huang, R. C. Machine learning and clinical epigenetics: A review of challenges for diagnosis and classification. Clin Epigenetics. 12 (1), 51(2020).
  57. Darcy, A. M., Louie, A. K., Roberts, L. W. Machine learning and the profession of medicine. Jama. 315 (6), 551-552 (2016).
  58. Obermeyer, Z., Emanuel, E. J. Predicting the future - big data, machine learning, and clinical medicine. N Engl J Med. 375 (13), 1216-1219 (2016).
  59. Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
  60. McKinney, S. M., et al. International evaluation of an ai system for breast cancer screening. Nature. 577 (7788), 89-94 (2020).
  61. Coudray, N., et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 24 (10), 1559-1567 (2018).
  62. Jiang, P., et al. Signatures of t cell dysfunction and exclusion predict cancer immunotherapy response. Nat Med. 24 (10), 1550-1558 (2018).
  63. Ardila, D., et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 25 (6), 954-961 (2019).
  64. Tomašev, N., et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 572 (7767), 116-119 (2019).
  65. Swanson, K., Wu, E., Zhang, A., Alizadeh, A. A., Zou, J. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment. Cell. 186 (8), 1772-1791 (2023).
  66. Xu, Y., et al. Medical breast ultrasound image segmentation by machine learning. Ultrasonics. 91, 1-9 (2019).
  67. Wang, S., et al. Predicting egfr mutation status in lung adenocarcinoma on computed tomography image using deep learning. Eur Respir J. 53 (3), 1800986(2019).
  68. Wu, Z., et al. Single-cell techniques and deep learning in predicting drug response. Trends Pharmacol Sci. 41 (12), 1050-1065 (2020).
  69. Tran, K. A., et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med. 13 (1), 152(2021).
  70. Ha, R., et al. Convolutional neural network based breast cancer risk stratification using a mammographic dataset. Acad Radiol. 26 (4), 544-549 (2019).
  71. Ryu, H. S., et al. Automated gleason scoring and tumor quantification in prostate core needle biopsy images using deep neural networks and its comparison with pathologist-based assessment. Cancers (Basel). 11 (12), 1860(2019).
  72. Nir, G., et al. Comparison of artificial intelligence techniques to evaluate performance of a classifier for automatic grading of prostate cancer from digitized histopathologic images. JAMA Netw Open. 2 (3), e190442(2019).
  73. Ström, P., et al. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: A population-based, diagnostic study. Lancet Oncol. 21 (2), 222-232 (2020).
  74. Ehteshami Bejnordi, B., et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod Pathol. 31 (10), 1502-1512 (2018).
  75. El Achi, H., Khoury, J. D. Artificial intelligence and digital microscopy applications in diagnostic hematopathology. Cancers (Basel). 12 (4), 797(2020).
  76. Poojitha, U. P., Lal Sharma, S. Hybrid unified deep learning network for highly precise gleason grading of prostate cancer. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 899-903 (2019).
  77. Szklarczyk, D., et al. String v10: Protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Res. 43 (Database issue), D447-D452 (2015).
  78. Vaid, A., et al. Machine learning to predict mortality and critical events in a cohort of patients with covid-19 in new york city: Model development and validation. J Med Internet Res. 22 (11), e24018(2020).
  79. Lao, J., et al. A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep. 7 (1), 10353(2017).
  80. Goodswen, S. J., et al. Machine learning and applications in microbiology. FEMS Microbiol Rev. 45 (5), fuab015(2021).
  81. Rajaraman, S., et al. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ. 6, e4568(2018).
  82. Hamidinekoo, A., Denton, E., Rampun, A., Honnor, K., Zwiggelaar, R. Deep learning in mammography and breast histology, an overview and future trends. Med Image Anal. 47, 45-67 (2018).
  83. Dembrower, K., et al. Comparison of a deep learning risk score and standard mammographic density score for breast cancer risk prediction. Radiology. 294 (2), 265-272 (2020).
  84. Yala, A., et al. Toward robust mammography-based models for breast cancer risk. Sci Transl Med. 13 (578), eaba4373(2021).
  85. Al-Riyami, A. Z., Gammon, R. R., Seheult, J., Arora, S., Goel, R. Artificial intelligence and transfusion education, research and practice: The view from the isbt clinical transfusion working party. Vox Sang. , 1-7 (2025).
  86. Sheikhalishahi, S., et al. Predicting blood transfusion demand in intensive care patients after surgery by comparative analysis of temporally extended data selection. BMC Med Inform Decis Mak. 24 (1), 397(2024).
  87. Zang, H., Hu, A., Xu, X., Ren, H., Xu, L. Development of machine learning models to predict perioperative blood transfusion in hip surgery. BMC Med Inform Decis Mak. 24 (1), 158(2024).
  88. Lavecchia, A., Cerchia, C. In silico methods to address polypharmacology: Current status, applications and future perspectives. Drug Discov Today. 21 (2), 288-298 (2016).
  89. Gupta, R., et al. Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Mol Divers. 25 (3), 1315-1360 (2021).
  90. Smith, J. S., Roitberg, A. E., Isayev, O. Transforming computational drug discovery with machine learning and ai. ACS Med Chem Lett. 9 (11), 1065-1069 (2018).
  91. Powles, J., Hodson, H. Google deepmind and healthcare in an age of algorithms. Health Technol (Berl). 7 (4), 351-367 (2017).
  92. Senior, A. W., et al. Improved protein structure prediction using potentials from deep learning. Nature. 577 (7792), 706-710 (2020).
  93. Abraham, A., et al. Machine learning for neuroimaging with scikit-learn. Front Neuroinform. 8, 14(2014).
  94. Dreizin, D., et al. Deep learning-based quantitative visualization and measurement of extraperitoneal hematoma volumes in patients with pelvic fractures: Potential role in personalized forecasting and decision support. J Trauma Acute Care Surg. 88 (3), 425-433 (2020).
  95. Nayshool, O., Kol, N., Javaski, E., Amariglio, N., Rechavi, G. Surviveai: Long term survival prediction of cancer patients based on somatic rna-seq expression. Cancer Inform. 21, 11769351221127875(2022).
  96. Tanaka, T. [[fundamentals] 5. Python+scikit-learn for machine learning in medical imaging]. Nihon Hoshasen Gijutsu Gakkai Zasshi. 79 (10), 1189-1193 (2023).
  97. Cohen, O., Barzilai, M., Cohen, O. Ai applications in transfusion medicine: Opportunities, challenges, and future directions. Acta Haematol. 148 (5), 516-526 (2025).
  98. Tang, M., et al. An artificial intelligence-assisted clinical framework to facilitate diagnostics and translational discovery in hematologic neoplasia. EBioMedicine. 104, 105171(2024).
  99. Urusova, L., et al. The new histological system for the diagnosis of adrenocortical cancer. Front Endocrinol (Lausanne). 14, 1218686(2023).
  100. Majumder, S. K., Ghosh, N., Gupta, P. K. Support vector machine for optical diagnosis of cancer. J Biomed Opt. 10 (2), 024034(2005).
  101. Liu, H. X., et al. Diagnosing breast cancer based on support vector machines. J Chem Inf Comput Sci. 43 (3), 900-907 (2003).
  102. Quist, J., Taylor, L., Staaf, J., Grigoriadis, A. Random forest modelling of high-dimensional mixed-type data for breast cancer classification. Cancers (Basel). 13 (5), 991(2021).
  103. Ma, B., et al. Diagnostic classification of cancers using extreme gradient boosting algorithm and multi-omics data. Comput Biol Med. 121, 103761(2020).
  104. Li, Q., et al. Xgboost-based and tumor-immune characterized gene signature for the prediction of metastatic status in breast cancer. J Transl Med. 20 (1), 177(2022).
  105. Li, H., et al. Colorectal cancer detected by machine learning models using conventional laboratory test data. Technol Cancer Res Treat. 20, 15330338211058352(2021).
  106. Tran, T., Le, U., Shi, Y. An effective up-sampling approach for breast cancer prediction with imbalanced data: A machine learning model-based comparative analysis. PLoS One. 17 (5), e0269135(2022).
  107. Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., Qureshi, N. Can machine-learning improve cardiovascular risk prediction using routine clinical data. PLoS One. 12 (4), e0174944(2017).
  108. Shinohara, I., et al. Re-tear after arthroscopic rotator cuff tear surgery: Risk analysis using machine learning. J Shoulder Elbow Surg. 33 (4), 815-822 (2024).
  109. Roubinian, N. H., et al. Incidence and clinical characteristics of transfusion-associated circulatory overload using an active surveillance algorithm. Vox Sang. 112 (1), 56-63 (2017).
  110. Vlaar, A. P. Transfusion-related acute lung injury: Current understanding and preventive strategies. Transfus Clin Biol. 19 (3), 117-124 (2012).
  111. Allain, J. P., Goodrich, R. Pathogen reduction of whole blood: Utility and feasibility. Transfus Med. 27 (Suppl 5), 320-326 (2017).
  112. Hendrickson, J. E., et al. Incidence of transfusion reactions: A multicenter study utilizing systematic active surveillance and expert adjudication. Transfusion. 56 (10), 2587-2596 (2016).
  113. Wang, K., et al. Improving risk identification of adverse outcomes in chronic heart failure using smote+enn and machine learning. Risk Manag Healthc Policy. 14, 2453-2463 (2021).
  114. Lipkova, J., et al. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 40 (10), 1095-1110 (2022).
  115. Ahn, S. Building and analyzing machine learning-based warfarin dose prediction models using scikit-learn. Transl Clin Pharmacol. 30 (4), 172-181 (2022).
  116. Nayebi, A., Tipirneni, S., Foreman, B., Reddy, C. K., Subbian, V. An empirical comparison of explainable artificial intelligence methods for clinical data: A case study on traumatic brain injury. AMIA Annu Symp Proc. 2022, 815-824 (2022).
  117. Contreras, J., Winterfeld, A., Popp, J., Bocklitz, T. Spectral zones-based shap/lime: Enhancing interpretability in spectral deep learning models through grouped feature analysis. Anal Chem. 96 (39), 15588-15597 (2024).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة