التنبؤ بأمراض القلب باستخدام اختيار الميزات الإحصائية والتعلم الآلي القابل للتفسير

Summary

يصف هذا البروتوكول إطار عمل تعلم آلي للتنبؤ بأمراض القلب يجمع بين تعزيز البيانات باستخدام الشبكات المتنافسة التوليدية، واختيار الميزات الإحصائية والميتاهيريستية، والذكاء الاصطناعي القابل للتفسير.

Abstract

يعد مرض القلب سببا رئيسيا للوفاة في جميع أنحاء العالم، مما يجعل توقعه المبكر قضية سريرية وحسابية مهمة. تناولت عدة دراسات تحديات مثل ندرة البيانات، واختيار الميزات، وقابلية تفسير النماذج بشكل فردي، لكن عدد الدراسات الأقل اقترحت إطارا متكاملا يعالج هذه التحديات بطريقة تكاملية. تقدم هذه الورقة إطارا تنبؤيا شاملا يستخدم: (1) شبكة خصومية توليدية (GAN) لمعالجة اختلال التوازن الطبقي وندرة البيانات؛ (2) نهج هجين لاختيار الميزات يجمع بين الترشيح الإحصائي المسبق عبر اختبار t. لويلش وحجم تأثير كوهين d، إلى جانب التحسين الميتاهيوريسكي عبر تحسين هاريس هوك؛ و(3) طرق ذكاء اصطناعي قابلة للتفسير متنوعة، بما في ذلك SHAP، ومخططات الاعتماد الجزئي، ونسب الأرجحية. تم تقييم هذا الإطار بناء على مجموعات بيانات كليفلاند وستاتلوج، مما أسفر عن دقة قوية، ودرجات F1، وقيم ROC-AUC مقارنة بخطوط أساسية مختارة وطرق قائمة. يوفر النموذج إطارا حسابيا قويا وقابلا للتفسير للتنبؤ بأمراض القلب، يربط أداء التعلم الآلي بالتفسير السريري.

Introduction

تعد أمراض القلب والأوعية الدموية من الأسباب الرئيسية للمراضة والوفيات حول العالم، حيث تمثل ما يقدر ب 17.9 مليون حالة وفاة^سنويا. التنبؤ المبكر والدقيق بأمراض القلب مهم للتدخل في الوقت المناسب وتحسين نتائج المرضى. في هذا السياق، تواجه التنبؤ بأمراض القلب باستخدام خوارزميات التعلم الآلي (ML) ثلاث تحديات رئيسية: محدودية توفر البيانات الطبية عالية الجودة، ومساحات الميزات عالية الأبعاد التي تحتوي على متغيرات زائدة أو غير ذات صلة، والطبيعة السوداء للنماذج المعقدة، التي قد تعيق الثقة السريرية والتبني². جمع العمل الحديث بين التعلم الآلي وطرق الذكاء الاصطناعي القابل للتفسير (XAI) للتنبؤ بأمراض القلب³. استخدم العديد من الباحثين أيضا التعلم الآلي للتنبؤ بأمراض القلب والكشف عنها⁴. التطورات الحديثة في الذكاء الاصطناعي التوليدي، وخاصة الشبكات العدائية التوليدية (GANs)، تبشر بتعزيز البيانات في الرعاية الصحية⁵. في الوقت نفسه، أثبتت خوارزميات ميتا-هوريستية مثل تحسين هاريس هوك (HHO) وتحسين سرب الجسيمات (PSO) فعاليتها في اختيار الميزات وتحسين النموذج⁶. تقنيات XAI مثل SHAP ومخططات الاعتماد الجزئي (PDPs)، ظهرت أيضا كأدوات مهمة لتفسير توقعات النماذج المعقدة⁷. أجريت العديد من الدراسات على نماذج التعلم الآلي للتنبؤ بمخاطر القلب والأوعية الدموية⁸.

ومع ذلك، غالبا ما تناقش الأدبيات المتاحة هذه القضايا بشكل منفصل. تركز بعض الدراسات على تعزيز البيانات باستخدام GANs⁹، بينما تركز أخرى تحديدا على اختيار الميزات باستخدام خوارزميات ميتاهيريستيك¹⁰ أو على قابلية تفسير النماذج بناء على طرق XAI¹¹. تم استكشاف التعزيز القائم على SMOTE لتوقع البقاء على قيد الحياة لفشل القلب¹². تم الإبلاغ أيضا عن تشخيص أمراض القلب المعتمدة على KNN¹³. هذه الأساليب المنفصلة لا تستفيد بالكامل من الفوائد المجمعة التي يمكن تحقيقها من خلال إطار متكامل يعالج ندرة البيانات، واختيار الميزات، وتدريب النماذج، وقابلية التفسير معا.

استكشفت الدراسات الحديثة مناهج ذات صلة. اقترحت دراسة عام 2026 في مجلة فرونتيرز إن ميديسن مصنفات غير متجانسة محسنة ل PSO مع استيفاء الحشو وتحديد الوسيط لتشخيص أمراض القلب، محققة دقة 91.3٪ على مجموعة بيانات مدمجة¹⁴. وفي أعمال حديثة أخرى طبقت التحسين الميتاهيوريسكي لتقسيم الصور الطبية¹⁵، وXAI لتوقع السكتة^{الدماغية 16}، والتحسين الهجين لتصنيف اضطرابات نظم القلب¹⁷، وأنظمة دعم القرار السريرية المعززة بنظام SHAP¹⁸. ومع ذلك، فإن القليل من هذه الدراسات يجمع بين التعزيز التوليدي، واختيار الميزات الإحصائية ذات المعيارين المزدوجين، وتحسين HHO، وXAI متعدد الطرق في إطار متكامل واحد.

تهدف هذه الورقة إلى معالجة هذه الفجوة من خلال اقتراح إطار عمل للتنبؤ بأمراض القلب يدمج بشكل منهجي تعزيز البيانات، واختيار الميزات الهجينة، وتحسين النماذج وتدريبها، وتحليل قابلية التفسير. في مرحلة تعزيز البيانات، تستخدم GANs لتلخيص البيانات السريرية الجدولية بناء على خصائص المريض مثل العمر، ضغط الدم، مستويات الكوليسترول، وقياسات تخطيط القلب الكهربائي. بينما تستخدم GANs على نطاق واسع في توليد الصور الطبية، تطبقها هذه الدراسة على مجموعة بيانات أمراض القلب في كليفلاند، التي تحتوي على 13 ميزة عددية وفئوية، لمعالجة حجم العينة المحدود (n = 303) وعدم توازن الفئة. في مرحلة اختيار السمات الهجينة، يتم دمج اختبار t. لويلش وحجم تأثير كوهين d مع HHO لتحديد مجموعات الميزات الفرعية القوية إحصائيا وذات صلة سريرية. خلال مرحلة تحسين النموذج والتدريب، يستخدم PSO لتحسين أوزان الشبكة العصبية الاصطناعية، بينما يتم تدريب نماذج الانحدار اللوجستي والغابة العشوائية بسبب توازنها بين الأداء وقابلية التفسير. في مرحلة القابلية للتفسير، تستخدم تقنيات XAI التكميلية، بما في ذلك SHAP، وPDPs، ونسب الأرجحية، لتوفير تفسيرات النماذج العالمية والمحلية.

يوضح سير العمل العام للإطار المقترح في الشكل 1. يلخص الجدول 1 الفروقات الرئيسية بين النهج المقترح وطرق اختيار الميزات الحالية [الجدول 1 هنا].

الشكل 1: نظرة عامة على إطار التنبؤ المقترح بأمراض القلب. يتكون سير العمل من أربع مراحل رئيسية: (1) معالجة البيانات مسبقة وتعزيزها باستخدام شبكات GAN لمعالجة ندرة البيانات؛ (2) اختيار الميزات الهجين الذي يجمع بين الترشيح الإحصائي (اختبار ويلش t. مع d لكوهين) وتحسين هاريس هوك؛ (3) تدريب النموذج مع مصنفات قابلة للتفسير، بما في ذلك الانحدار اللوجستي والغابة العشوائية، وشبكة ذات صلبة محسنة ل PSO؛ و(4) تحليل قابلية التفسير باستخدام مخططات الاعتماد الجزئي، ونسب الأرجحية. الاختصارات: GANs = شبكات خصومة توليدية؛ PSO = تحسين سرب الجسيمات؛ ANN = شبكة عصبية اصطناعية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

فئة الاقتراب	الاختبار الإحصائي (مثل اختبار t)	حجم التأثير (مثلا، d لكوهين)	التحسين الميتاهيورستكي (مثل HHO/PSO)	تركيز على قابلية التفسير
الإحصاء التقليدي	نعم	نادرا ما	لا	معتدل
التحسين الخالص	لا	لا	نعم	منخفض
الطرق الهجينة الحالية	أحيانا	نادرا ما	نعم	المتغير
الإطار المقترح	نعم (اختبار t لويلش)	نعم (فاز كوهين ≥ 0.5)	نعم (HHO)	عالي (مدمج مع XAI)

الجدول 1: مقارنة طرق اختيار الميزات في التنبؤ بأمراض القلب. تشمل الأساليب التي تمت مقارنتها الإحصائي التقليدي، والتحسين الخالص، والطرق الهجينة القائمة، والإطار المقترح عبر المعايير التالية: الاختبار الإحصائي، حجم التأثير، التحسين الميتاهيورستي، والتركيز على قابلية التفسير.

المساهمات الرئيسية لهذا العمل هي كما يلي. أولا، لمعالجة ندرة البيانات وعدم توازن الفئات، يتم تنفيذ GAN معياري مع فقدان مزدوج للإنتروبيا وتحسين آدم، إلى جانب خطة بديلة لاضطراب غاوسي عندما لا يكون TensorFlow متاحا. ثانيا، لمعالجة تكرار الميزات، يقترح استراتيجية اختيار ميزات هجينة تجمع بين الترشيح الإحصائي المسبق مع HHO باستخدام دالة نقل على شكل V. يهدف هذا النهج ذو المعيارين إلى اختيار ميزات ذات دلالة إحصائية وذات صلة سريرية. ثالثا، لمعالجة عتامة النموذج، يتم دمج مجموعة تفسيرية متعددة الطرق، تشمل مخططات سرب النحل والشلالات في SHAP، ونقاط PDP، ونسب احتمالات بفترات ثقة 95٪. يتم توفير بروتوكول تسوية بسيط للمستخدمين السريريين: إذا أظهر PDP اتجاها غير خطي، يجب إعطاء أولوية لشرح SHAP على معاملات الانحدار اللوجستي. رابعا، لدعم قابلية التكرار والتحقق المنظم، يشمل الإطار التحقق المتقاطع الطبقي، وتدقيق العدالة، ودراسات الاستئصال، وبروتوكول التحقق الخارجي ل MIMIC-III، وتوثيق المعلمات الفائقة الرئيسية.

Protocol

بيان الأخلاقيات، مجموعة البيانات، البرمجيات، وإعداد البيانات
استندت نتائج هذه الدراسة إلى مجموعة بيانات أمراض القلب في مستودع التعلم الآلي في جامعة كاليفورنيا في كاليفورنيا. وبما أن هذا مورد متاح للجمهور وغير محدد، لم يتطلب استخدامه موافقة لجنة الأخلاقيات. كما يتحقق المؤلفون من أصالة هذه المخطوطة، مؤكدين أنها لم تنشر أو تقدم سابقا إلى مجلات أخرى.

تم تقسيم بيانات أمراض القلب في كليفلاند إلى مجموعات تدريب واختبارات بنسبة 80/20. عادة ما تحتوي مجموعة البيانات على 303 مثلات؛ لذلك، تم استخدام حوالي 242 عينة للتدريب، واحتفظ ب 61 عينة كمجموعة اختبار نظيفة. تمت إضافة العينات الاصطناعية التي تم إنشاؤها بواسطة طريقة GAN أو طريقة الرجوع الغاوسي فقط إلى بيانات التدريب لتقليل خطر تسرب البيانات. تكونت مجموعة التدريب المعززة النهائية من حوالي 242 عينة حقيقية و1000 عينة صناعية، مما أعطى 1242 عينة تدريبية. لم يتم استخدام مجموعة تحقق ثابتة ثابتة. بدلا من ذلك، تم تطبيق التحقق المتقاطع الطبقي أثناء تدريب النماذج، حيث تم تقسيم كل طي بيانات التدريب المعززة إلى مجموعات تدريب وتحقق فرعية.

تم تحميل مجموعة البيانات في إطار بيانات بانداس وفحصها بحثا عن قيم مفقودة. تم التعامل مع الميزات العددية التي تحتوي على قيم مفقودة باستخدام الحساب الوسيط باستخدام فئة SimpleImputer من scikit-learn باستخدام استراتيجية = 'وسيط'. تم التعامل مع الميزات الفئوية ذات القيم المفقودة باستخدام الحساب الوضعي باستخدام SimpleImputer باستخدام استراتيجية = 'most_frequent'. تم توثيق آليات الاختفاء من خلال حساب النسبة المفقودة لكل ميزة باستخدام df.isnull().sum() / len(df). تم تقييم أنماط الاختفاء غير العشوائية من خلال مقارنة القيم المتوسطة لميزات أخرى بين العينات التي تحتوي على بيانات مفقودة وبدون بيانات مفقودة باستخدام اختبارات t. للميزات العددية واختبارات كاي تربيع للميزات التصنيفية. ثم تم توثيق الاختفاء ك مفقود تماما عشوائيا (MCAR)، مفقود عشوائيا (MAR)، أو مفقود غير عشوائي (MNAR)، حيثما ينطبق.

بالنسبة لمجموعات البيانات التي تحتوي على نقص كبير، تم التوصية بتحليل الحساسية من خلال مقارنة التعيين الوسيط/النمط مع الحساب المتعدد بواسطة المعادلات المتسلسلة (MICE)، باستخدام fancyimpute. الحساب التكراري مع max_iter = 10، وحساب KNN باستخدام الحساب الخيالي. KNN مع k = 5. تم التعامل مع فرق دقة أقل من 0.03 على أنه يشير إلى متانة طريقة الحساب¹². اعتبر هذا التحليل الحساس اختياريا لمجموعة بيانات كليفلاند بسبب اختفائه المحدود، لكنه أوصى به لمجموعات بيانات سريرية أخرى تحتوي على أكثر من 5٪ من القيم المفقودة. كما تم تصور أنماط الاختفاء باستخدام مكتبة missingno عن طريق إنشاء خريطة حرارية لمصفوفة الاختفاء باستخدام msno.matrix(df). تم استخدام تجميع أنماط الاختفاء لتحديد ما إذا كانت القيم المفقودة تتزامن بشكل منهجي، مما قد يشير إلى آليات MNAR التي تتطلب مدخلات خبراء سريريين.

تم توحيد الميزات العددية باستخدام تطبيع درجة z. تم تركيب StandardScaler من scikit-learn على بيانات التدريب ثم تطبيقه على مجموعات التدريب والاختبار. تم ترميز المتغيرات التصنيفية باستخدام ترميز التسخين الواحد. نوع ألم الصدر (cp)، الذي يحتوي على أربع فئات، تم تحويله إلى أربعة أعمدة مؤشر ثنائية باستخدام pandas.get_dummies. الثلاسيميا (ثال)، التي تحتوي على ثلاث فئات، تم تحويلها إلى ثلاثة أعمدة مؤشرات ثنائية. نظرا لأن مولد GAN والمميز كانا يستخدمان بعد إدخال/إخراج ثابت مكون من 13 ميزة تتوافق مع مجموعة البيانات الأصلية قبل الترميز الساخن الواحد، تم توليد عينات تركيبية في الفضاء الأصلي المكون من 13 ميزة ثم تمريرها عبر نفس خط التشفير الساخن الواحد الذي تمر به البيانات الحقيقية. حافظ هذا على التوافق مع بنية GAN مع السماح باستخدام الميزات المشفرة لتدريب النماذج.

التعريفات الرياضية ومقاييس الجودة
تم استخدام مسافة فريشه لمقارنة توزيعات الميزات الحقيقية والتركيبية. تم تعريف مسافة فريشه Fr(F, G) بين توزيعين F و G كما يلي:

Fr2(F,G)=minX,YE|X-Y|2 (1)

حيث يمثل E المتوقع، ويؤخذ التصغير على جميع المتغيرات العشوائية X و Y التي لها توزيعات F و G، على التوالي¹⁹.

تم استخدام تحسين هاريس هوك (HHO) كطريقة تحسين ميتاهيوريستي. يستلهم HHO من سلوك الصيد التعاوني لصقور هاريس²⁰. تم التحكم في الانتقال بين مراحل الاستكشاف والاستغلال بواسطة طاقة الهروب E. في مرحلة الاستكشاف، حيث |E| ≥ 1، تم تعريف التحديث كما يلي:

X(t+1) = X_راند (t) - r₁ | X_راند (t) - 2r₂X (t)|

في مرحلة الاستغلال، حيث |E| < 1، تم تحديد التحديثات بواسطة طاقة الهروب E = 2E(1 − t/T) وقوة القفز J = 2(1 − r₅). في حالة الحصار الناعم، أين ≥ 0.5 و |E| ≥ 0.5، تم تعريف التحديث كما يلي:

X(t+1) = ΔX(t) - E|_{JX rabbit} (t) - X(t)|

في حالة الحصار القاسي، حيث ≥ 0.5 و |E| < 0.5، تم تعريف التحديث كما يلي:

X(t+1) =_{X أرنب} (t) - E|ΔX(t)|

تم تقييم العدالة باستخدام التماثل الإحصائي وتوازن معدل الخطأ، بعد هاردت وآخرون ²⁰ وليما وآخرون ²¹. تم استخدام فرق التماثل الديموغرافي، وفرق الاحتمالات المتساوي، وخطأ المعايرة القائم على العمر كمقاييس للعدالة.

ΔEO = max(|TPR_A - TPR_B |,| FPR_A - FPR_B |)

ΔBS=|_{عمر BS<50} - عمر BS_>50 |

حيث BS هي درجة بريير:

كانت قابلية تفسير لوحة المعلومات تعتمد على قيم SHAP، والتي يتم حسابها باستخدام نظرية الألعاب الائتلافية18.

حيث Φ_i تمثل نسبة SHAP للميزة i، وF. f(S) تمثل مجموعة جميع الميزات، وتمثل توقع النموذج لمجموعة فرعية من الميزات S.

تعزيز البيانات المعتمد على GAN
لمعالجة ندرة البيانات واختلال التصنيف، تم استخدام شبكة خصومة توليدية (GAN) لتوليد عينات تركيبية. تم تكوين بنية المولد في TensorFlow/Keras. قبل متجه ضوضاء ببعد 100 تم أخذ عينات من توزيع طبيعي قياسي N(0,1)، تلاه طبقات كثيفة بوحدات 128 و256 و512 وحدة باستخدام تفعيل ReLU. احتوت طبقة الإخراج على 13 وحدة، تتوافق مع بعد الميزة الأصلي، واستخدمت تفعيل السيجمويد.

قبلت بنية المميز متجه ميزة ذي 13 بعدا كمدخل. تكونت من طبقات كثيفة بوحدات 512 و256 و128 وحدة باستخدام تفعيل LeakyReLU مع α = 0.2. احتوت طبقة الإخراج على وحدة واحدة مع تنشيط السيجمويد للتصنيف الثنائي للعينات الحقيقية مقابل التركيبية.

تم تدريب GAN ل 100 عصر باستخدام حجم دفعة مكون من 64. تم استخدام محسن آدم بمعدل تعلم 0.0002، β1 = 0.5، وβ2 = 0.999. خلال كل عصر، كان المميز يدرب بالتناوب على دفعات حقيقية وصناعية، وكان المولد يدرب على خداع المميز. بعد التدريب، تم إدخال 1000 متجه ضوضاء عشوائي في المولد لإنتاج 1000 عينة صناعية، والتي أضيفت فقط إلى مجموعة التدريب.

تمت مراقبة انهيار النمط خلال تدريب GAN من خلال قياس تباين كل ميزة تركيبية عبر 100 عينة مولدة بعد كل 10 عصور. إذا انخفض تباين أي ميزة إلى أقل من 10٪ من تباين البيانات الحقيقية المقابلة لثلاث فحوصات متتالية، كان يشتبه في انهيار الوضع. شملت استراتيجيات التخفيف تقليل معدل التعلم إلى 1 × 10⁻⁴، وزيادة حجم الدفعة إلى 128، وإعادة بدء التدريب بتهيئة أوزان مختلفة، أو استبدال GAN القياسي ب Wasserstein GAN مع عقوبة التدرج (WGAN-GP)، كما وصفه أرجوفسكي وآخرون ¹⁷. استخدم التنفيذ شبكة GAN قياسية مع خطة بديل للاضطراب الغاوسي لضمان توليد البيانات التركيبية عندما لا يكون TensorFlow متاحا.

تم تقييم جودة البيانات التركيبية من خلال حساب مسافة فريشه بين توزيعات الميزات الحقيقية والتركيبية باستخدام تنفيذ مخصص. كما تم تدريب مصنف، مثل الانحدار اللوجستي، على التمييز بين العينات الحقيقية والتركيبية؛ تم التعامل مع دقة التصنيف القريبة من الصدفة على أنها تشير إلى دقة عالية. تم حساب AUC بالدقة والاسترجاع، حيث اعتبرت القيم التي تزيد عن 0.9 دلالة على التقاط توزيع جيد. كما تمت مقارنة ارتباطات بيرسون بين أزواج الميزات في مجموعات البيانات الحقيقية والتركيبية، حيث اعتبرت الفروق تحت 0.05 كحفظ مقبول لبنية الارتباط.

عندما لم يكن TensorFlow/Keras متاحا أو فشل تدريب GAN، كان يتم استخدام طريقة الاضطرابات الغاوسية الاحتياطية. لكل فئة، تم حساب المتوسط (μ) والانحراف المعياري (σ) لكل ميزة من مجموعة التدريب. ثم تم توليد عينات تركيبية كما يلي:

Xsynthetic = μ + ε × σ × 0.05، حيث ε ~ N(0,1)

تم توليد تسميات الفئات بنسبة توزيع الفئة الأصلية. تم تضمين هذا الخيار الاحتياطي لدعم قابلية التكرار عبر البيئات التي لا تعتمد على التعلم العميق.

اختيار الميزات الهجينة
تم تطبيق استراتيجية اختيار ميزات هجينة من مرحلتين. في المرحلة الأولى، تم إجراء الترشيح الإحصائي المبدئي. لكل ميزة xi في مجموعة الميزات X، تم تقسيم القيم إلى مجموعتين وفقا لمتغير النتائج الثنائي: G0 ل y = 0، مما يشير إلى عدم وجود مرض، وG1 ل y = 1، مما يشير إلى وجود المرض. تم إجراء اختبار t. المكون من عينتين لويلش باستخدام scipy.stats.ttest_ind مع equal_var = خاطئ. ثم تم حساب حجم تأثير d لكوهين كما يلي:

d = (المتوسط1 − المتوسط2) / pooled_std

حيث:

pooled_std = sqrt((std1² + std2²)/2)

تم تخزين اسم الميزة، وقيمة p، وقيمة كوهين d في جدول النتائج. تم اختيار الميزات إذا استوفرت كلا المعيارين: قيمة p < 0.05 و |كوهين د| ≥ 0.5. تم تعريف مجموعة الميزات الناتجة بأنها Xfiltered.

تم استخدام اختبار t لويلش لأنه مناسب للميزات الرقمية المستمرة مثل العمر، الثالاخ، والقمة القديمة. بالنسبة للسمات التصنيفية الثنائية مثل الجنس والإكسانغ، ينتج اختبار t. نتائج مماثلة لاختبار النسبة عند مقارنة مجموعتين. تم ترميز ميزات متعددة الفئات مثل cp وthal بتقنية التسخين الواحد، وتم اختبار كل مؤشر ثنائي بشكل فردي مقابل متغير النتيجة. اعتبر هذا النهج مناسبا لأن مجموعة بيانات كليفلاند تحتوي على أكثر من 30 عينة، وتم توحيد الميزات قبل التحليل، و equal_var = خطأ يفسر التباين غير المتساوي بين المجموعات. بالنسبة للميزات التي لديها انتهاكات شديدة للطبيعية، تم النظر في اختبار مان-ويتني U كاختبار بديل غير باراميري.

اتبع الحد الأدنى p < 0.05 الدلالة الإحصائية التقليدية، بينما |كوهين د| ≥ 0.5 كان يعادل حجم تأثير متوسط إلى كبير. بالنسبة لمجموعات البيانات ذات أحجام عينات صغيرة أو نتائج نادرة، تم التوصية بالتعديل القائم على البوتستراب، أو تصحيح g في هيدجز، أو عتبات استكشافية مخففة مع مدخلات سريرية خبيرة. على سبيل المثال، يمكن استخدام 1000 إعادة أخذ عينات تمهيدية لحساب فترات الثقة d لكوهين، ويمكن تطبيق g لهيدجز لتصحيح تحيز العينات الصغيرة. الميزات التي تحتوي على إحصائيات حدودية، مثل قيم p بين 0.03 و0.08 أو |d| تم توثيق القيم بين 0.4 و0.6 لمراجعة الخبراء السريرية المحتملة قبل الاستبعاد.

في المرحلة الثانية، تم تطبيق تحسين هاريس هوك (HHO) على مجموعة الميزات المصفاة إحصائيا. تم تعيين عدد سكان HHO إلى 20، وتم تعيين الحد الأقصى لعدد التكرارات إلى 50. تم تمثيل كل حل كمتجه ثنائي بطول يساوي عدد الميزات في Xfiltered، حيث يشير 1 إلى أن ميزة تم اختيارها و0 إلى أنها لم تختار. تم تعيين مواقع HHO المستمرة إلى متجهات ثنائية باستخدام دالة النقل على شكل V:

T(x) = |tanh(x)|

تم ضبط القيمة الثنائية على 1 إذا كان T(x) > 0.5 و0 في الحالات الأخرى. تم اختيار الدالة على شكل V لأنها تدعم الاستكشاف والاستغلال المتوازن أثناء التحويل الثنائي.

تم تعريف دالة الملاءمة لكل حل باستخدام الانحدار اللوجستي. تم تدريب نموذج الانحدار اللوجستي باستخدام الميزات التي يختارها المتجه الثنائي فقط، وتم إجراء التحقق المتقاطع بخمس أبعاد باستخدام cross_val_score من scikit-learn. تم حساب اللياقة كما يلي:

الملاءمة = 1 − متوسط الدقة

تم تهيئة عدد مواقع الصقور بشكل موحد في النطاق [−1, 1] باستخدام numpy.random.uniform(−1, 1, (population_size, n_features)) مع بذرة عشوائية ثابتة تبلغ 42 لإعادة الإنتاج. في كل تكرار، تم تقييم لياقة جميع الصقور، وتم تحديد أفضل موقع لصقور هو الأرنب، وتم تحديث مواقع الصقور باستخدام معادلات الاستكشاف والاستغلال الخاصة ب HHO بناء على طاقة الهروب. بعد التقارب، تم اختيار المتجه الثنائي الأفضل أداء كمجموعة الميزات النهائية، Xfinal.

تم تسجيل الميزات المختارة من خلال تشغيل واحد لتحسينات HHO مع بذرة عشوائية ثابتة. للتطبيقات التي تتطلب ثقة إحصائية أعلى، تم التوصية ب 30 جولة مستقلة مع بذور عشوائية مختلفة، وكان بالإمكان اختيار ميزات الإجماع التي تظهر في 80٪ على الأقل من الجولات. استند التنفيذ المبلغ عنه إلى تشغيل تمثيلي واحد، حيث أشارت الاختبارات الأولية إلى تقارب متسق.

تدريب النماذج وتحسينها
تم النظر في ثلاثة نماذج: الانحدار اللوجستي، الغابة العشوائية، وشبكة عصبية اصطناعية محسنة ل PSO. تم تدريب الانحدار اللوجستي باستخدام التحقق المتقاطع الطبقي الثلاثي للحفاظ على توزيع الفئات. تم تحسين قوة التنظيم C باستخدام فضاء البحث C [0.001، 0.01، 0.1، 1، 10]. لكل طية وكل قيمة من C، تم تدريب النموذج على طية التدريب وتقييمه على طية التحقق. تم اختيار قيمة C التي تعظم متوسط دقة التحقق عبر الطيات.

تم تدريب نموذج الغابة العشوائية باستخدام ضبط المعاملات الفائقة. تضمنت مساحة البحث max_depth = [5، 10، 15، لا شيء] و min_samples_split = [2، 5، 10]. تم إجراء بحث شبكي مع التحقق المتقاطع بخمس مرات باستخدام ROC-AUC كمقياس تحسين من خلال GridSearchCV مع النقاط = 'roc_auc'. استخدم نموذج الغابة العشوائية المختار max_depth = 10 و min_samples_split = 5. تم تمكين تقدير النقاط خارج الحقيبة (OOB) باستخدام oob_score = صحيح.

تم تقييم الإفراط في الملاءمة من خلال حساب الفجوة بين دقة التدريب ودرجة OOB:

overfitting_gap = training_accuracy − oob_score

كان يعتبر وجود فجوة زائدة تحت 0.05 دلالة على تعميم جيد، بينما تشير الفجوة الأكبر من 0.10 إلى الحاجة إلى تقليل max_depth أو زيادة min_samples_split. مع درجة OOB تبلغ 0.9296 ودقة تدريب نموذجية بين 0.94 و0.96، كانت الفجوة تقريبا بين 0.01 و0.03.

كما تم تحسين مصنف ANN باستخدام تحسين سرب الجسيمات (PSO). تكونت بنية ANN من طبقة إدخال، وطبقة مخفية واحدة تحتوي على 64 عصبيا عصبية باستخدام تفعيل ReLU، وطبقة إخراج تحتوي على خلية عصبية واحدة تستخدم تفعيل السيجمويد. تم تهيئة PSO ب 50 جسيما و50 تكرارا واستخدم لتحسين أوزان الشبكة الأولية. ثم تم تدريب الشبكة الحاملة باستخدام الانتشار العكسي القياسي. نظرا لأن تحسين PSO تم على نفس بيانات التدريب دون التحقق المتقاطع المتداخل، تم التعامل مع هذا المكون بحذر. للتطبيقات المستقبلية، تم التوصية بالتحقق المتقاطع المتداخل، مع حلقة خارجية من 10 طيات للتقييم وحلقة داخلية 10 طيات لاختيار معلمات PSO الفائقة. كان يعتبر وجود فجوة تعميم أقل من 0.08 مقبولا، بينما تشير فجوة فوق 0.15 إلى إمكانية تجاوز التوافق تتطلب تبسيط النموذج.

تقييم النماذج
تم إجراء تقييم النموذج باستخدام التحقق المتقاطع الطبقي بمقدار 10 أطعاف على مجموعة الميزات النهائية، Xfinal. في كل طية، تم تدريب نماذج الانحدار اللوجستي والغابة العشوائية على بيانات التدريب وتقييمها بناء على بيانات التحقق. تم حساب الدقة، الدقة، الاسترجاع، نتيجة F1، وROC-AUC باستخدام classification_report roc_auc_score من scikit-learn. تم حساب المتوسط والانحراف المعياري لجميع المقاييس عبر العشرة طيات.

كما تم حساب فجوة التعميم لكل طية كما يلي:

generalization_gap = training_accuracy − validation_accuracy

تم الإبلاغ عن فجوة التعميم المتوسطة عبر جميع العشرة أضعاف. اعتبر متوسط الفجوة أقل من 0.08 يشير إلى الحد الأدنى من الإفراط في التجهيز، بينما تشير الفجوة فوق 0.15 إلى الإفراط في التركيب والحاجة إلى تنظيم أو تقليل تعقيد النموذج. تم إجراء اختبارات الترتيب الموقعة لويلكوكسون لمقارنة الإطار المقترح مع طرق الأساس عبر 10 أضعاف باستخدام α = 0.01.

تحليل قابلية التفسير
تم إجراء تحليل قابلية التفسير باستخدام طرق خاصة بالنموذج وطرق غير معتمدة على النموذج. بالنسبة للانحدار اللوجستيكي، تم تجهيز النموذج النهائي واستخراج قيم معامل لكل ميزة مختارة. تم حساب نسب الأرجحية كمعامل exp(معامل)، وتم حساب فترات ثقة 95٪ باستخدام الأخطاء القياسية للمعاملات.

بالنسبة للغابة العشوائية، تم استخراج درجات أهمية جيني من النموذج المدرب باستخدام خاصية feature_importances_ وتم تطبيئها لتصبح مجموعها 1. تم توليد تفسيرات SHAP باستخدام مكتبة SHAP. تم إنشاء كائن KernelExplainer باستخدام النموذج المدرب ومجموعة بيانات خلفية، مثل 100 عينة تدريب مختارة عشوائيا. تم حساب قيم SHAP لجميع الحالات في مجموعة الاختبار باستخدام shap_values. تم إنشاء مخططات ملخصة لسرب النحل باستخدام shap.summary_plot، وتم إنشاء مخططات شريطية لمتوسط قيم SHAP المطلقة باستخدام shap.bar_plot.

تم إنشاء مخططات الاعتماد الجزئي (PDPs) لأهم الميزات التي تم تحديدها بواسطة تحليل SHAP. لكل ميزة مختارة، يتم إنشاء تسلسل من القيم يمتد عبر نطاق الميزات. تم استبدال كل قيمة في عمود الميزات مع الحفاظ على ثبات الميزات الأخرى، وتم حساب متوسط الاحتمال المتوقع عبر جميع الحالات. تم رسم قيم الميزات مقابل التوقعات المتوسطة باستخدام matplotlib. تمت إضافة فترات ثقة بنسبة 95٪ باستخدام 100 تكرار لإعادة أخذ عينات التمهيد (bootstrap).

تم إنشاء مخططات التوقع الشرطي الفردي (ICE) لميزات مختارة من خلال رسم مسارات التنبؤ للحالات الفردية مع تغير قيم الميزات. تم وضع خط PDP على مخطط ICE. تمت مقارنة طرق التفسير من خلال حساب ارتباط رتبة سبيرمان بين نسب احتمالات الانحدار اللوجستي وقيم SHAP العشوائية للغابات باستخدام scipy.stats.spearmanr. تم توثيق الفروق بين طرق التفسير للتفسير السريري. عندما تعارضت معاملات الانحدار اللوجستي بين SHAP واللوجستي، تم فحص PDP لتلك الميزة. إذا أظهر PDP اتجاها غير خطي، فإن تفسير SHAP كان يعطى الأولوية على معامل الانحدار اللوجستي لأن الغابة العشوائية يمكنها التقاط علاقات غير خطية لا تستطيع النماذج الخطية التمييز.

بروتوكول تعميم الإطار للتحقق الخارجي باستخدام MIMIC-III
تم وضع بروتوكول تحقق خارجي لتطبيق الإطار على قاعدة بيانات MIMIC-III. الوصول إلى MIMIC-III يتطلب موافقة PhysioNet وإكمال التدريب البشري المطلوب. تشمل المجموعة المقترحة مرضى بالغين تبلغ أعمارهم 18 عاما أو أكثر الذين تم دخولهم أول وحدة العناية المركزة، ورموز ICD-9 410–414 لاحتشاء عضلة القلب الحاد أو رموز ICD-10 I20–I25 لأمراض القلب الإقفارية. تشمل معايير الاستبعاد أكثر من 30٪ من القيم المفقودة في السمات المستهدفة، مدة الإقامة أقل من 24 ساعة، العمر فوق 90 عاما، جراحة قلبية سابقة، أو مرض القلب الخلقي.

كانت النتيجة المقترحة هي أحداث قلبية سلبية كبرى (MACE) خلال 72 ساعة من الدخول، وتعرف بأنها مركب من الوفيات داخل المستشفى، أو صدمة قلبية، أو اضطراب نظم البطين يتطلب تدخلا. يتم تجميع ميزات السلاسل الزمنية مثل معدل ضربات القلب وضغط الدم خلال أول 24 ساعة من الإقامة في وحدة العناية المركزة باستخدام المتوسط، الوسيط، الأدنى، الأقصى، والاتجاه، حيث يقدر الاتجاه كميل من الانحدار الخطي مع مرور الوقت. سيتم استخدام الحد الأقصى لمعدل ضربات القلب كما يعادل الثالاخ المرسوم على الخريطة.

سيتم تعيين ميزات مجموعة بيانات كليفلاند إلى متغيرات MIMIC-III. على سبيل المثال، يتم تعيين الثالاخ إلى الحد الأقصى لمعدل ضربات القلب المسجل خلال أول 24 ساعة من الإقامة في وحدة العناية المركزة، وسيتم ربط ال CP بتقييمات الألم المنظمة وذكر ألم الصدر المستخرج من خلال معالجة اللغة العصبية، ويتم تعيين أولدبيك إلى انحراف مقطع ST عن تقارير تخطيط القلب الكهربائي. سيتم إنشاء جدول تعيين لتوثيق جميع محاذاة الميزات.

قبل تطبيق خط الأنابيب الكامل، يتم التحقق من صحة استخراج NLP ل oldpeak على 100 تقرير تخطيط كهربائي تم اختيارها عشوائيا. يتم حساب الدقة، والاستدعاء، ودرجة F1 مقابل التعليق اليدوي من قبل طبيبين. إذا كانت درجة F1 أقل من 0.85، فسيتم تعديل أنماط الريجيكس أو استخدام بيانات تخطيط القلب المهيكلة من أحداث الرسم البياني كبديل. سيتم بعد ذلك تكرار خط معالجة ما قبل المعالجة على بيانات MIMIC-III المستخرجة، وسيتم إعادة تدريب GAN للتعزيز، وإعادة تطبيق اختيار الميزات الهجينة، وإعادة تدريب النماذج، وتوليد الشروحات، ومقارنة مقاييس الأداء بنتائج مجموعة بيانات كليفلاند.

تنفيذ لوحة التحكم السريرية
تم تصميم نموذج أولي للوحة المعلومات السريرية عبر الويب باستخدام إطار عمل مثل Flask أو Django. تم التخطيط لنقاط نهاية واجهات برمجة التطبيقات HL7/FHIR لتكامل السجلات الصحية الإلكترونية، مع تكوين المصادقة والتفويض وفقا لسياسات الأمان المؤسسية. تم تصميم وظائف تعيين البيانات لتحويل بيانات السجلات الصحية الإلكترونية إلى صيغة إدخال النموذج.

تضمنت واجهة المستخدم ثلاث مشاهد رئيسية. عرض العرض التمهيدي للفحص الديموغرافيا للمرضى ونقاط المخاطر المحسوبة مع مستويات المخاطر الملونة. عرض عرض دعم القرار رسم شلال SHAP يوضح أهم العوامل المساهمة لمريض معين. مكنت طريقة النظر في تخطيط التدخل من تحليل ماذا لو من خلال تعديل عوامل الخطر القابلة للتعديل وعرض توقعات محدثة للمخاطر. تم تضمين وظيفة التصدير لحفظ التقارير كملفات PDF أو دمجها مع أنظمة توثيق السجلات الصحية الإلكترونية.

للنشر السريري المستقبلي، تم التخطيط لتقييم قابلية استخدام لوحة المعلومات مع خمسة أطباء على الأقل. سيستخدم التقييم مقياس قابلية استخدام النظام، مع درجة هدف تزيد عن 68، ووقت إكمال المهمة، مع تقليل مستهدف لا يقل عن 20٪ مقارنة باستخدام السجلات الصحية الإلكترونية فقط، ومقاييس رضا من 5 نقاط لوضوح الشرح والثقة. كان من المخطط أن يكون هذا التقييم لقابلية الاستخدام خطوة مستقبلية ولم يتم تنفيذه في الدراسة الحالية.

Results

الإعدادات التجريبية ومقاييس الأداء
تم إجراء جميع التجارب بلغة بايثون 3.9 باستخدام مكتبات scikit-learn وTensorFlow وSHAP. تم استخدام التحقق المتقاطع الطبقي بمقدار 10 أضعاف. شملت مقاييس التقييم الدقة، الدقة، الاستدعاء، درجة F1، وROC-AUC.

مقارنة الأداء مع طرق الأساس المختارة

الطريقة

الدقة

Discussion

يوفر الإطار الموصوف هنا نهجا قابلا للتكرار لتطوير نماذج قابلة للتفسير للتنبؤ بأمراض القلب. يظهر الشكل 4 نموذج أولي للوحة تحكم سريرية تدمج هذه الشروحات، والذي ينفذ سير عمل من ثلاث مراحل: الفحص المسبقي، دعم القرار باستخدام SHAP، وتخطيط التدخل [الشكل 4 هنا]. تتطلب عدة خطوات حاسمة اهتماما دقيقا لضمان تنفيذ هذا الإطار بنجاح.

كما هو موضح في الجدول 5، تشير مقارنة الدراسات الحالية للتنبؤ بأمراض القلب إلى وجود فجوات منهجية...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
مجموعة بيانات أمراض القلب في كليفلاند	مستودع تعلم الآلة في UCI	https://archive.ics.uci.edu/ml/datasets/heart+disease	مجموعة بيانات أمراض القلب المرجعية المستخدمة في تطوير وتقييم النماذج
جانغو	مؤسسة جانغو للبرمجيات	لا يوجد	إطار عمل ويب بديل لتنفيذ لوحة المعلومات
fancyimpute	مطورو فانسي إمبيوت	لا يوجد	تحليل حساسية التعويض الاختياري ل MICE وKNN
قارورة	مشاريع المنصات	لا يوجد	إطار عمل ويب لتنفيذ لوحة المعلومات
معيار واجهة برمجة التطبيقات HL7/FHIR	HL7 إنترناشونال	لا يوجد	المعيار المخطط لتكامل السجلات الصحية الإلكترونية ولوحة المعلومات
كيراس	مطورو كيراس	لا يوجد	واجهة برمجة تطبيقات الشبكة العصبية المستخدمة مع TensorFlow/Keras لمعمارية GAN
matplotlib	مطوري ماتبلوتليب	لا يوجد	مكتبة الرسم
قاعدة بيانات MIMIC-III	فيزيو نت	https://physionet.org/content/mimiciii/1.4/	قاعدة بيانات العناية الحرجة للتحقق الخارجي المخطط له
ميسينغنو	مطورو MissingNo	لا يوجد	تصور مصفوفة الاختفاء
نومباي	مطورو NumPy	لا يوجد	الحوسبة العددية
الباندا	مطورو بانداس	لا يوجد	معالجة البيانات
فيزيو نت	فيزيو نت	https://physionet.org/	منصة/مصدر الوصول ل MIMIC-III
بايثون	مؤسسة بايثون للبرمجيات	لا يوجد	الإصدار 3.9/3.9.7
سكيكيت-لرن	مطورو SCIKIT-Learn	لا يوجد	مكتبة تعلم الآلة، بما في ذلك المعالجة المسبقة، وتدريب النماذج، والتحقق المتبادل، والمقاييس
SciPy	مطورو SciPy	لا يوجد	اختبارات إحصائية، بما في ذلك ويلش اختبار s t وارتباط سبيرمان
شاب	مطورو شاب	لا يوجد	مكتبة الذكاء الاصطناعي القابلة للتفسير
مجموعة بيانات أمراض القلب ستاتلوغ	مستودع تعلم الآلة في UCI	https://archive.ics.uci.edu/ml/datasets/statlog+(قلب)	مجموعة بيانات أمراض القلب المرجعية
تنسور فلو	جوجل	لا يوجد	إطار عمل التعلم العميق لتنفيذ GAN
مستودع تعلم الآلة في UCI	جامعة كاليفورنيا، إيرفين	https://archive.ics.uci.edu/	مصدر مستودع لمجموعات بيانات كليفلاند وستاتلوج