مقالة بحثية
* These authors contributed equally
يتم تقديم بروتوكول AutoML خطوة بخطوة لفحص مرض الكبد الدهني غير الكحولي باستخدام بيانات NHANES ومجموعة خارجية. تقوم الطريقة بأتمتة تحديد أولويات الميزات واختيار النموذج (GBM)، وتشمل تفسيرا معتمدا على SHAP والتحقق الخارجي للنشر السريري القابل لإعادة الإنتاج.
مرض الكبد الدهني غير الكحولي (NAFLD) هو اضطراب شائع في الكبد مرتبط بالسمنة، ومقاومة الأنسولين، ومتلازمة الأيض، وغالبا ما يبقى غير مشخص حتى المراحل المتقدمة. الطرق التشخيصية التقليدية، بما في ذلك التصوير وخزعة الكبد، لها قيود في الكشف المبكر. هناك حاجة إلى أداة فعالة وغير جراحية لفحص NAFLD المبكر. باستخدام تقنية التعلم الآلي الآلي (AutoML)، تم تطوير نموذج تشخيصي ل NAFLD باستخدام مجموعة بيانات كبيرة من NHANES (n = 2677). بالإضافة إلى ذلك، تم استخدام مجموعة تحقق خارجية مستقلة (n = 200) لتقييم صلاحية وأداء النموذج الخارجي. لاختيار الميزات السريرية الواعدة، تم تطبيق طريقة اختيار الميزات ذات مرحلتين، تجمع بين انحدار LASSO والتحليل الذكي القائم على ChatGPT-4. لاحقا، تم تنفيذ عملية AutoML، التي دمجت عدة خوارزميات تعلم آلة، لتدريب النماذج والتحقق من الصحة. تم تقييم أداء النموذج باستخدام منحنيات ROC، ودرجات F1، وتحليل تفسير شابلي الإضافي (SHAP). حقق نموذج GBM معدل تقييم التحليل النفسي (AUC) بلغ 0.843 في مجموعة التدريب، و0.851 في مجموعة الاختبار، و0.945 في مجموعة التحقق الخارجية، مما أظهر دقة تشخيصية عالية عبر مجموعات بيانات مختلفة. تم تحديد مؤشرات رئيسية، بما في ذلك مؤشر كتلة الجسم والدهون الثلاثية وGGT، كمساهمين مهمين في توقعات النموذج. أكد تحليل SHAP أهمية هذه المتغيرات في التنبؤ بمرض الورد الوريدي غير الوريدي (NAFLD). أظهر نموذج التشخيص المدفوع ب AutoML ل NAFLD تحسنا كبيرا في أداء الكشف المبكر، مقدما بديلا موثوقا وغير جراحي وفعال للطرق التشخيصية التقليدية. تحمل هذه الطريقة إمكانات كبيرة للتطبيق السريري الأوسع في مرض الكبريت الوريدي الأسترالي، مما يقلل الاعتماد على المعرفة المتخصصة مع تحسين دقة التشخيص.
مرض الكبد الدهني غير الكحولي (NAFLD) هو أحد أكثر أمراض الكبد انتشارا على مستوى العالم، ويؤثر حاليا على حوالي 35٪ من السكان البالغين حول العالم، ولا يعزى إلى الإفراط في استهلاك الكحول1. يتميز بتراكم الدهون في أكثر من 5٪ من خلايا الكبد، والتي قد تتطور إلى حالات أكثر خطورة، بما في ذلك الالتهاب، وتليف الكبد، والتليف الكبدي، وفي النهاية فشل الكبد 2,3. حاليا، تعتمد الطرق التقليدية لتشخيص مرض الكبد غير الطبيعية بشكل أساسي على مؤشرات كيميائية حيوية غير طبيعية في الكبد وتصوير الموجات فوق الصوتية. ومع ذلك، تظهر الموجات فوق الصوتية حساسية محدودة عندما تكون درجة التعقيم أقل من 20٪، مما يؤثر على موثوقيتها في اكتشاف تسرب الدهون الخفيف وغالبا ما يؤدي إلى تشخيص غير دقيق لمرض NAFLD4 في المرحلة المبكرة. على الرغم من أن خزعة الكبد تعتبر المعيار الذهبي لتشخيص مرض الكبد غير الكبدي الوريدي الوردي (NAFLD)، إلا أن طبيعتها الغازية وخطر حدوث مضاعفات مثل الألم والعدوى والنزيف تحد من جدوى إجراء الفحص واسع النطاق5. وبالتالي، هناك حاجة ملحة لأداة فعالة وغير جراحية وفعالة من حيث التكلفة وحساسة للغاية لتسهيل فحص مرض مرض الكبد الوردي غير الطبيعي.
مع التطور السريع لتقنيات الذكاء الاصطناعي (AI) وتعلم الآلة (ML)، تقدم الأساليب المعتمدة على البيانات حلولا جديدة للتشخيص المبكر وتقييم المخاطر لمرض NAFLD. من خلال تحليل البيانات واسعة النطاق والمعقدة، يمكن لتقنيات التعلم الآلي تحديد الأنماط والعلاقات المحتملة تلقائيا، وقد تم تطبيقها على نطاق واسع في تشخيص وتوقع أمراض مختلفة6. على سبيل المثال، تم استخدام خوارزميات التعلم الآلي للتنبؤ بخطر التليف الكبدي لدى الأفراد المصابين بعدوى التهاب الكبد الوبائي B المزمنة، محققة نتائج واعدة7. وقد طورت دراسات مماثلة في مجال مرض الكحول غير الرجعي نماذج تشخيصية باستخدام خوارزميات التعلم الآلي التقليدية، مثل آلات الدعم المتجه (SVM) والغابات العشوائية (RF)، محققة مستويات عالية من الدقة وأظهرت قابلية تطبيق سريرية قوية 8,9,10,11,12,13,14,15,16,17، 18. على سبيل المثال، طور الباحثون نموذج تعلم آلي يستخدم معلمات المختبر لتصفية NAFLD بشكل فعال في عامة السكان من خلال تحليل بيانات المختبر الروتينية. تم تطوير نموذج تعلم آلي يستخدم معلمات المختبر13 لفرز NAFLD بشكل فعال في عامة السكان من خلال تحليل بيانات المختبر الروتينية. تم التنبؤ بانتشار مرض الكبد الوريدي غير الكدوري في الولايات المتحدة من خلال دمج التصوير المرن العابر مع طرق التعلم الآلي باستخدام بيانات NHANES 2017–201816. استخدم فريق البحث خوارزميات التعلم الآلي للتحقيق في العلاقة بين الاستوغرافيا المؤقتة والمتغيرات السريرية الأخرى، وطوروا نموذجا تنبؤيا قدر بشكل موثوق انتشار مرض NAFLD عبر مجموعات سكانية متنوعة.
ومع ذلك، تتطلب طرق التعلم الآلي التقليدية عادة جهدا يدويا كبيرا، خاصة في هندسة الميزات، واختيار النماذج، وضبط المعاملات، والتي تتطلب معرفة وخبرة متخصصة. لمعالجة هذه القيود، تم تطوير التعلم الآلي الآلي (AutoML). يقوم AutoML بأتمتة كامل خط إنتاج بناء النماذج، بما في ذلك معالجة البيانات المسبقة، واختيار الميزات، واختيار النماذج، وتحسين المعلمات الفائقة، مما يعزز بشكل كبير كفاءة ودقة عمليات التعلم الآلي19. تم تطوير نموذج تنبؤي لنزيف دوالي المريء والتحقق منه باستخدام منصة H2O AutoMLرقم 20. استخدم النموذج خوارزميات متنوعة، منها التعلم العميق (DL)، تعزيز التدرج التفاعلي (XGBoost)، النماذج الخطية المعممة (GLM)، آلات تعزيز التدرج (GBM)، الغابات العشوائية (RF)، ومجموعات التكديس، مع أفق تنبؤ لمدة 12 شهرا. تم استخدام AutoML للتنبؤ بخطر انتشار الكبد لدى مرضى أورام البمثابة في الجهاز الهضمي، مستفيدا من بيانات قاعدة بيانات SEER21. تم الاستفادة من منصات AutoML لتطوير أداة تشخيصية سريعة وفعالة من حيث التكلفة لسرطان البروستاتا باستخدام البيانات السريرية الروتينية22. لقد قدم ظهور AutoML حلولا أكثر كفاءة للتشخيص السريري، وتستحق إمكانياته في فحص NAFLD المزيد من الاستكشاف. بينما يعد الكشف المبكر والتشخيص الدقيق ل NAFLD أمرا حاسما، إلا أن الطبيعة غير المعرضة للأعراض للمرض تطرح تحديات تشخيصية كبيرة. على الرغم من أن تقنية AutoML أظهرت إمكانات كبيرة في تشخيص الأمراض، إلا أن تطبيقها في تشخيص مرض NAFLD لا يزال محدودا، مما يبرز الآفاق الواعدة لهذا المجال البحثي.
طورت هذه الدراسة نموذجا تشخيصيا لمرض الكبد الدهني غير الكحولي (NAFLD) من خلال الاستفادة من تقنية AutoML بالتزامن مع التصوير المرن العابر، باستخدام بيانات من قاعدة بيانات NHANES الأمريكية (2017–2018). تم التحقق من صحة النموذج خارجيا باستخدام مجموعة بيانات من أفراد في قسم الأمراض المعدية، المستشفى الأول التابع لجامعة وينتشو الطبية (2018–2020). قامت الدراسة بتقييم أداء النموذج على مجموعة بيانات خارجية وقارنته بالأساليب التقليدية، مما سد الفجوات البحثية القائمة. من خلال تحليل مؤشرات الدم والكيميائية الحيوية المتعددة، تم بناء نماذج تنبؤية باستخدام خوارزميات مثل الانحدار اللوجستي والغابات العشوائية. أشارت النتائج إلى الأداء المتفوق للنموذج في تحديد الأفراد غير المصابين بمرض الكبريت الوريدي بدقة. هذا لا يوفر فقط أداة فعالة ودقيقة للفحص المبكر لمرض مرض الكبد الدهري غير الكهرومغناطيسي، بل يعزز أيضا دمج AutoML في التطبيقات الطبية.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المرضى وتصميم الدراسة
تم الحصول على أول مجموعة بيانات لهذه الدراسة من قاعدة بيانات المسح الوطني للفحص الصحي والتغذية (NHANES) للفترة 2017–2018. تم اختيار هذا الإطار الزمني المحدد لأن بيانات المسح شملت قياسات الكبد، والتصوير المرن العابر بالموجات فوق الصوتية، باستخدام تقنية FibroScan باستخدام تقنية FibroScan® (التصوير المرطوب). تستخدم NHANES تصميم أخذ عينات احتمالية متعددة المراحل وطبقيا، وتعمل كمسح وطني قائم على السكان يجرى كل سنتين. يجمع بشكل منهجي بيانات ممثلة وطنيا متعلقة بالصحة عن السكان غير المقيمين في الولايات المتحدة لتقييم الحالة الغذائية والصحية للسكان المدنيين بشكل عامفي الولايات المتحدة. يعد NHANES دراسة مقطعية ممثلة وطنيا تديرها المركز الوطني للإحصاءات الصحية (NCHS). حصل بروتوكول الاستطلاع على موافقة مجلس مراجعة أخلاقيات البحث في NCHS، مع الحصول على موافقة مستنيرة موثقة من جميع المشاركين. أجريت الدراسة وفقا لإعلاني هلسنكي وإسطنبول، وتمت الموافقة عليها من قبل لجنة الأخلاقيات في المستشفى الأول التابع لجامعة وينتشو الطبية (2016–246، 1 ديسمبر 2016)، وتم الحصول على موافقة خطية مستنيرة من كل مشارك.
تكونت مجموعة البيانات الأولى من 5494 شخصا من مسح NHANES 2017–2018 خضعوا لفحص الفيبروسكان. بعد الاستبعاد أدناه، تم تضمين 2677 مشاركا في التحليل، منهم 718 شخصا مصابا بمرض الكبد الوردي المزمنة و1959 مصابين بعدم الإصابة بمرض الورد الوريدي المزمن. ثم تم تقسيم هؤلاء المشاركين عشوائيا إلى مجموعة تدريب (n = 1785) ومجموعة اختبار (n = 892). تضمنت المجموعة الثانية 582 فردا من قسم الأمراض المعدية في المستشفى الأول التابع لجامعة وينتشو الطبية (2018–2020). بعد تطبيق نفس معايير الاستبعاد، تم تضمين ما مجموعه 200 شخص، منهم 159 شخصا مصابين بمرض الكدروم غير الكدلي و41 شخصا غير مصابين بمرض الكحول غير الرجعي الكدلي. تم استخدام هذه المجموعة كمجموعة تحقق مستقلة. تم تطوير تصميم الدراسة لبناء والتحقق من صحة النموذج باستخدام بيانات متعددة المراكز، مما يعزز موثوقية وقابلية تعميم النتائج. تم تلخيص الخصائص السريرية الأساسية لمجموعات NAFLD وغير NAFLD باستخدام حزمة الجدول الأول (الجدول 1). بالإضافة إلى ذلك، يتم توضيح عملية اختيار المريض وسير الدراسة بشكل عام في الشكل 1.
معايير التشخيص ومعايير الاستبعاد ل NAFLD
استند تشخيص مرض مرض الكحول غير الكائني إلى المعايير التالية:16: العمر 18 سنة أو أكثر، المشاركة في فحص الاستغاثة المؤقتة (FibroScan) مع استهلاك الكحول محدود ب ≤140 جرام/أسبوع للنس≤اء و210 جرام/أسبوع للرجال خلال الاثني عشر شهرا السابقة، قيمة معامل التخفيف الخاضع (CAP) ≥ 302 ديسيبل/م كما تم قياسها باستخدام نظام FibroScan 502 V2 Touch (Echosens, باريس، فرنسا) مع مسبار متوسط (M) أو كبير جدا (XL)، أو تشخيص مؤكد بواسطة خزعة الكبد في قسم الأمراض المعدية في المستشفى الأول التابع لجامعة وينتشو الطبية23.
معايير الاستبعاد لمرض NAFLD موضحة كما يلي:استهلاك الكحول العالي (متوسط استهلاك يومي > 20 جرام للنساء و30 جرام للرجال > 30 جراما للرجال وفقا لمسح استخدام الكحول من NHANES5)، وجود التهاب الكبد B أو C، عدوى فيروس نقص المناعة البشرية، التهاب الكبد المناعي الذاتي، التهاب الصفاوية الصفراوية الأولي، مرض ويلسون، الاستخدام طويل الأمد للأدوية المضادة للالتهاب غير الستيرويدية، حاصرات قنوات الكالسيوم، تاموكسيفين، أميودارون، الكورتيكوستيرويدات، الإيزونيازيد، أو الميثوتركسيت، الحمل أو الرضاعة، وتشخيص سرطان الكبد أو أي ورم حميد أو خبيث آخر.
جمع البيانات واختيار المتغيرات
المتغيرات المحتملة المتنبئة المدرجة في هذه الدراسة مدرجة أدناه:
الخصائص الديموغرافية (أي العمر والجنس)؛ مؤشر كتلة الجسم (BMI)؛ قيم CAP للمشاركين في قاعدة بيانات NHANES؛ اختبارات الكيمياء الحيوية العامة [أي: الألبومين (ALB)، الغلوبولين (GLO)، البروتين الكلي (TP)، إنزيم اللاكتات للهيدروجيناز (LDH)، نيتروجين اليوريا في الدم (BUN)، حمض اليوريك (UA)، إنزيم غاما-جلوتاميل ترانسفيراز (GGT)، ثلاثي الغليسريد (TG)، السيروم-جلوكوز (Glu)، الكرياتينين في المصل (SCr)، البيليروبين الكلي (TBIL)، الصوديوم (Na⁺)، الكلوريد (Cl⁻)، البوتاسيوم (K⁺)، الكالسيوم (Ca)، البيكربونات (HCO₃)، الكوليسترول الكلي (TC)، إنزيم الأسبارتات أمينوترانسفيراز (AST) وإزيم ألانين أمينوترانسفيراز (ALT)]؛ المعايير الدموية القياسية [أي: عد خلايا الدم الحمراء (RBC)، عد خلايا الدم البيضاء (WBC)، عدد العدلات (NEUT)، عد الإيوزينوفيل (EOS)، عدد الخلايا اللمفاوية (LYM)، عدد الأحادية الخلية (MON)، عرض توزيع خلايا الدم الحمراء (RDW) وعدد الصفائح الدموية (PLT)]؛ تاريخ ارتفاع ضغط الدم والسكري (DM). من بين المشاركين في الدراسة، تم الحصول على معايير تشخيصية للسكري وارتفاع ضغط الدم من دراسة سابقة لنموذج التنبؤ القائم على التعلم الآلي ركزت على NAFLD24.
نقص معالجة البيانات واختيار الميزات
شملت بيانات المجموعة المستخدمة في هذه الدراسة القيم المفقودة. استبعاد جميع السجلات غير المكتملة لن يقلل فقط من حجم عينة التحليل، بل سيؤثر أيضا على جودة البيانات وقد يثار نتائج التنبؤ. لذلك، تم استبعاد أي بيانات تتجاوز القيم المفقودة 20٪. بالنسبة لمجموعات البيانات التي تحتوي على قيم مفقودة ≤20٪، تم تطبيق طرق حساب مختلفة بناء على نوع البيانات: "معيار" للمتغيرات المستمرة، "logreg" لمتغيرات التصنيف الثنائية، و"polyreg" للمتغيرات متعددة الفئات. تم إجراء هذه الحسابات باستخدام حزمة "الفئران" في R للحسابات المتعددةرقم 25. في هذه الدراسة، تم تقسيم جميع المتغيرات المستمرة إلى متغيرات ثنائية، مع تحديد عتبات التصنيف المثلى عبر تحليل منحنى خصائص تشغيل المستقبل (ROC). تحديدا، تم اختيار نقطة القطع المقابلة لأقصى مؤشر يودن على منحنى ROC كمعيار التصنيف الأمثل، مما يحسن أداء التصنيف مع الحفاظ على توازن مناسب بين الحساسية والنوعية. لاحقا، تم استخدام تحليل التربيع الجزئي التمييزي (PLS-DA) لتجميع البيانات بشكل فعال.
لاختيار الميزات بشكل إضافي، تم تخصيص الأفراد عشوائيا إلى مجموعات تدريب واختبار بنسبة 7:3 باستخدام حزمة "قيراط". أولا، تم استخدام انحدار عامل الانكماش والاختيار المطلق الأدنى (LASSO) لاختيار الميزات، حيث تم تحديد 14 متغيرا رئيسيا للتحليل لاحقا. بعد ذلك، تم تطبيق ChatGPT-4 لتعيين درجة أهمية لكل متغير. لتقييم أهمية الميزات بشكل منهجي مع التحكم في التحيز المحتمل والتباين العشوائي، تم تنفيذ بروتوكول تقييم موحد. الموضوع المحدد الذي تم تقديمه للنموذج كان: "استنادا إلى الأدبيات السريرية الراسخة حول مرض الكبد الدهني غير الكحولي (NAFLD)، قم بتعيين درجة أهمية تتراوح من 1 (الأدنى) إلى 10 (الأعلى) لكل من المتغيرات الأربعة عشر التالية التي تم تحديدها عبر انحدار LASSO." من خلال حصر التقييم فقط على المتغيرات المختارة مسبقا بواسطة انحدار LASSO، تم تقليل خطر تضمين ميزات هلوسية أو غير ذات صلة. لمنع تسرب البيانات المحتمل والاستخدام غير المقصود لانتشار النتائج، تم تعمية نموذج اللغة تماما عن مجموعة البيانات التجريبية. تم اقتصر التقييم على دمج المعرفة الطبية المسبقة المتعلقة بأسماء المتغيرات. تعزز هذه العملية المنهجيات التقليدية، مثل اختيار استقرار LASSO أو التقليم القائم على SHAP، من خلال ضمان أن الميزات المعتمدة فقط على البيانات تظهر مصداقية فيزيولوجية مرضية قوية قبل التكامل النهائي للنموذج. بالإضافة إلى ذلك، لتقليل تباين الاستجابة الواحدة، تم تكرار هذا الإجراء 10 مرات بشكل مستقل. تم حساب متوسط الدرجة لكل متغير عبر هذه التكرارات، مما يضمن أولوية موضوعية. ثم تم ترتيب المتغيرات تنازليا بناء على متوسط درجاتها. وأخيرا، تم تضييق الاختيار ليشمل فقط المتغيرات التي يتجاوز متوسط درجة الأهمية 5، مما أدى إلى 8 متغيرات رئيسية: SCr، UA، GGT، Glu، ارتفاع ضغط الدم، السكري، TG، ومؤشر كتلة الجسم.
تطوير نماذج التنبؤ المعتمدة على AutoML ل NAFLD
في هذه الدراسة، تم دمج مجموعة شاملة من خوارزميات التعلم الآلي الكلاسيكية والمتقدمة باستخدام H2O AutoML لتشخيص مرض NAFLD بشكل فعال. من خلال الاستفادة من قدرات AutoML في منصة H2O.ai، تم إجراء تحليلات تعلم آلي لمهام التصنيف الثنائي. شملت الخوارزميات المستخدمة تعزيز تدرج الإكستريم (XGBoost)، آلة تعزيز التدرج (GBM)، النموذج الخطي المعمم (GLM)، الأشجار العشوائية للغاية (XRT)، التعلم العميق (DL)، والمجموعات المكدسة. تم تقييم هذه الخوارزميات بشكل منهجي لتحديد النموذج الأمثل لتشخيص الأمراض. لضمان قابلية إعادة إنتاج منهجية صارمة، تم تعريف معلمات التنفيذ في H2O AutoML بشكل صريح. تم تحديد مدة التشغيل الآلية بحد أقصى 11,687 ثانية وبحد أقصى 302 نموذجا، باستخدام بذرة عشوائية ثابتة تبلغ 13. شملت أعلام المعالجة المسبق الداخلية التعيين التلقائي للقيم المتبقية المفقودة باستخدام خوارزميات المتوسط/الوضع، بالإضافة إلى ترميز الأهداف للمتغيرات التصنيفية عالية العددية. كانت البنية المثلى المختارة (المسماة GBM_grid_1_model77) آلة لتعزيز التدرج ذات المعاملات الفائقة المحددة التالية: إجمالي 28 شجرة، وعمق شجرة أقصى 5، ومعدل تعلم 0.1.
لتعزيز متانة النموذج والتخفيف من مخاطر الإفراط في التركيب، تم تنفيذ إطار عمل AutoML يدمج بروتوكولات الضبط والتحقق المنهجي للمعايير الفائقة. بدأت العملية باستكشاف آلي ل 200 تكوين نماذج مميز من خلال تحسين المعلمات الفائقة، باستخدام التحقق المتقاطع بخمس أبعاد حيث تم تقسيم مجموعة بيانات التدريب إلى خمسة مجموعات فرعية غير متعارضة. خلال التدريب التكراري، استخدم كل تكوين أربع مجموعات فرعية (80٪) لبناء النماذج مع تخصيص مجموعة فرعية واحدة (20٪) للتحقق، مع تدوير دور التحقق هذا بشكل متسلسل عبر جميع الطيات. لتحقيق التوازن بين الكفاءة الحاسوبية وتحسين الأداء، تم تنفيذ التوقف المبكر الديناميكي بناء على المساحة تحت مقياس منحنى ROC (AUC). أوقف هذا الآلية التدريب عندما انخفضت تحسينات AUC إلى ما دون عتبة 0.001 لثلاث دورات متتالية، مما ينطبق على كل من تحسين النموذج الفردي وعملية البحث في AutoML بشكل عام. أعطى اختيار النموذج النهائي الأولوية للتكوينات التي تظهر أقصى متوسط لمعدل AUC عبر مجموعات التدريب والتحقق، مع الحاجة في الوقت نفسه إلى أداء متسق بين هذه المجموعات وتقليل تباين المقياس عبر تكرارات التحقق المتبادل. ضمن هذا النهج المتكامل دقة تنبؤية مثلى مع الحفاظ على قابلية تعميم قوية من خلال بروتوكولات التحقق الصارمة وقيود التحسين الآلي.
تقييم أداء النموذج وتفسير نتائج التنبؤ
تم تقييم أداء النموذج وتفسير نتائج التنبؤ بشكل شامل باستخدام منحنيات ROC، ودرجات F1، وتحليل تفسير شابلي الإضافي (SHAP). تم تقييم أداء النموذج وتفسير نتائج التنبؤ بشكل شامل باستخدام منحنيات ROC، ودرجات F1، وتحليل SHapley للتفسير الإضافي (SHAP). في البداية، تم توليد التنبؤات على مجموعة بيانات الاختبار باستخدام النموذج المدرب، وتم استخراج الاحتمالات المتوقعة للفئة الموجبة (أي الفئة 1) (pred_prob). تم بناء منحنى ROC باستخدام حزمة pROC، وتم حساب AUC للنموذج، إلى جانب فترة الثقة 95٪. تم تحديد العتبة المثلى على منحنى ROC باستخدام إحصائية J الخاصة بيودن (J = الحساسية + النوعية − 1) لتحديد تصنيف التصنيف الثنائي. استنادا إلى هذا العتبة المستمدة من منحنى ROC، تم تحويل الاحتمالات المتوقعة إلى تسميات تنبؤ ثنائية (0 أو 1)، وتم إنشاء مصفوفة ارتباك لاحقا. تم حساب درجة F1 على مجموعة الاختبار باستخدام دالة مصفوفة الالتباس، وتم إنتاج وحفظ تصور مصفوفة الالتباس. بالإضافة إلى ذلك، تم التحقق من صحة النموذج بشكل إضافي على مجموعة بيانات تحقق خارجية مستقلة تتكون من 200 حالة (من المستشفى الأول التابع لجامعة وينتشو الطبية). تم تحليل قيم SHAP باستخدام حزمة "shapviz" لتوضيح تأثير كل متغير على نتائج التنبؤ بالنموذج، مما يوفر رؤى حول تفسير توقعات احتمالية NAFLD الفردية.
الطرق الإحصائية
"تم إجراء التحليل الإحصائي وتطوير البرمجيات باستخدام الإصدار 4.2.3 من R (مؤسسة R للحوسبة الإحصائية، فيينا، النمسا). تم تقييم المتغيرات المستمرة في البداية للاستقرار باستخدام اختبار شابيرو-ويلك أو الفحص البصري لمخططات Q-Q. تم عرض البيانات الموزعة بشكل طبيعي كمتوسط ± انحراف معياري (SD)، وأجريت مقارنات بين مجموعتين مستقلتين باستخدام عينات مستقلة من اختبارات t. في مقارنات مجموعات متعددة، تم استخدام ANOVA أحادي الاتجاه مع اختبارات HSD بعد الوقوع في Tukey عند الاقتضاء. تم تلخيص البيانات المستمرة غير الموزعة بشكل طبيعي كمتوسط [نطاق الرباعي (IQR)، P25–P75]، وأجريت مقارنات المجموعات باستخدام اختبار مان-ويتني U لمجموعتين مستقلتين أو اختبار كروسكال-واليس لمجموعات متعددة، تلاه اختبار دان بعد التوقيت إذا لزم الأمر. تم التعبير عن المتغيرات التصنيفية كتكرارات ونسب مئوية (٪)، وتم تحليل مقارنات النسب بين المجموعات باستخدام اختبار كاي-تربيع (اختبار χ2 ) أو اختبار فيشر الدقيق عندما كان عدد الخلايا المتوقع أقل من 5. تم تحديد مستوى الدلالة عند α = 0.05 (ذو الذيلين)، واعتبرت قيمة p < 0.05 ذات دلالة إحصائية.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
السمات السريرية لمرض مرض الكحول غير الكهفي
في هذه الدراسة، تم تحليل الخصائص السريرية للأفراد المصابين وغير المصابين بمرض الكهرب الكرومي الكدوري بشكل منهجي. تم استخدام مجموعة من الطرق لتوضيح توزيع واختلافات هذه السمات داخل العينة (الجدول 1). تم تضمين ما مجموعه 2,677 فردا في التحليل، منهم 718 ممن لديهم NAFLD. شمل التحليل مجموعة من المؤشرات السريرية، بما في ذلك مؤشر كتلة الجسم، وTG، وGGT، وUA، وغيرها (كما هو موضح
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
يعد مرض الكبد غير الكبدي هو السبب الأكثر شيوعا لأمراض الكبد المزمنة في العالم، ويزيد انتشاره بحوالي 1٪كل عام. حوالي 30٪ من سكان العالم يتأثرون، مما يجعل NAFLD ليس فقط الاضطراب الكبدي المزمن الرائد بل أيضا المؤشر الأسرع نموا لزراعة الكبد3. برز التعلم الآلي الآلي (AutoML) كأداة قيمة في الطب، وكان أحد أهدافه الرئيسية بناء نماذج تنبؤية من خلال تحديد الارتباطات بين ميزات المدخلات. تسلط الدراسات المتزايدة الضوء على الإمكانات الق...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
يعلن المؤلفون أنهم لا يواجهون تضارب مصالح. في هذه الدراسة، استخدم ChatGPT-4 (OpenAI) كأداة تحليلية ذكية خلال مرحلة اختيار الميزات لتقييم الصلة السريرية للمتغيرات التي تم تحديدها بواسطة انحدار LASSO. تمت مراجعة جميع الدرجات التي يولدها الذكاء الاصطناعي بعناية من قبل المؤلفين وتم التحقق منها تجريبيا من خلال عملية AutoML اللاحقة. لم يستخدم ChatGPT-4 لتعديل البيانات الخام أو إجراء حسابات رياضية. يتحمل المؤلفون المسؤولية الكاملة عن نزاهة ودقة النتائج النهائية.
وقد دعم هذا العمل صندوق الشركات الناشئة للبحوث العلمية في جامعة فوجيان الطبية [2021QH1176]؛ المختبر الرئيسي لتشخيص المختبرات السريرية والبحث الترجمي في مقاطعة تشجيانغ [2022E10022]؛ مشروع خطة العلوم الطبية والصحية الإقليمية لتشجيانغ [2024KY1265]؛ ومشروع أبحاث الرعاية العامة الأساسية في بلدية وينتشو [Y2023096].
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
```html
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| المجموعات البيانات لـ NAFLD (2017–2018) | قاعدة بيانات NHANES [https://wwwn.cdc.gov/nchs/nhanes/continuousnhanes/default.aspx?BeginYear=2017] | N/A | كمجموعة تدريبية لبناء النموذج |
| المجموعات البيانات لـ NAFLD (2018–2020) | المستشفى الأول التابع لجامعة وينزو الطبية (2018–2020)، الصين. [https://doi.org/10.6084/m9.figshare.32105248.] | N/A | كمجموعة اختبار للتحقق الخارجي من النموذج |
| R (الإصدار 4.2.3) | مؤسسة R للحوسبة الإحصائية | N/A | يُستخدم بالاقتران مع أدوات أخرى لإجراء تحليل البيانات وإنشاء العروض البصرية والرسوم البيانية. |
| Adobe Illustrator 2025 (الإصدار 29.2) | Adobe Systems Incorporated | N/A | لتخطيط الصور وتحريرها |
| ChatGPT-4 | OpenAI Inc. | N/A | لتعيين درجة أهمية لكل متغير محدد |
| H2O AutoML (3.44.0.3) | H2O.ai | N/A | لدمج مجموعة شاملة من خوارزميات التعلم الآلي |
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذن