הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

מודל אבחון וטיפול חכם המבוסס על נתונים קליניים לשיקום ביתי ניהול מחלת ריאות חסימתית כרונית

532 צפיות

⸱

DOI:

10.3791/69024

⸱

24 באוקטובר 2025

 ,  , 
1Department of Respiratory Medicine, Taizhou Cancer Hospital, 2Department of Pulmonary and Critical Care Medicine, Sir Run Run Shaw Hospital, Zhejiang University School of Medicine

במאמר זה

סיכום

מודל מונחה נתונים קליני המשלב XGBoost ו-LSTM משפר את השיקום הביתי ל-COPD, ומשפר את דיוק הנתונים והחיזוי. הוא משיג דיוק של 98% ושיפור של 42.5% במדדים, תוך התייחסות למגבלות של טיפול מסורתי מבוסס בית חולים.

תקציר

לטיפול שיקומי מסורתי בבית החולים למחלת ריאות חסימתית כרונית (COPD) יש בעיות כמו מחסור במשאבים, עלות גבוהה ותחבורה לא נוחה. כדי לשפר את הנוחות של טיפול שיקומי ב-COPD, מוצע מודל אבחון וטיפול חכם מונחה נתונים קליניים לניהול שיקום ביתי של COPD. מודל האבחון והטיפול החכם לשיקום ביתי של COPD מותאם על ידי שילוב של אלגוריתם XGBoost ורשת הזיכרון לטווח קצר ארוך. התוצאות מצביעות על כך שלאלגוריתם XGBoost יש את הדיוק הגבוה ביותר בעיבוד נתונים מובנים קליניים, בעוד שלאלגוריתם היער האקראי (RF) יש את הדיוק הנמוך ביותר בעיבוד נתונים מובנים קליניים. כאשר כמות דגימות האימון היא 300, שיעורי הדיוק הם 98% ו-83%, בהתאמה. השילוב של אלגוריתם XGBoost ורשת הזיכרון לטווח קצר משמש לעיבוד מחווני הניטור, וכתוצאה מכך שיעור השיפור הגבוה ביותר והשגיאה הריבועית הממוצעת הקטנה ביותר. כאשר גודל המדגם הוא 1000, שיעור השיפור של מדדי הניטור הוא 42.5%, והשגיאה הריבועית הממוצעת היא 0.041. השיטה המוצעת במחקר יכולה לעבד ביעילות נתונים קליניים, לשפר את דיוק עיבוד הנתונים ולחזות במדויק שינויים עתידיים ב-COPD.

מבוא

COPD היא מחלה כרונית שכיחה עם שיעורי נכות ותמותה גבוהים, המשפיעה באופן משמעותי על רמת החיים של החולים. למודל ניהול השיקום המסורתי יש בעיות כמו פיגור במידע והתערבות בטרם עת בהתמודדות עם COPD. עם זאת, עם התקדמות הטכנולוגיה, כמה טכנולוגיות מתפתחות, כגון אלגוריתם Extreme Gradient Boosting (XGBoost), הביאו אפשרויות חדשות לניהול COPD1. בעוד ש-XGBoost הוכיח ישימות בהקשרים שונים של ניטור בריאות, כולל ברפואת ספורט, מחקר זה ממנף במיוחד את נקודות החוזק שלו לניהול COPD במסגרת שיקום ביתי. ההתמקדות נותרה בשיפור דיוק החיזוי והטיפול המותאם אישית לחולי COPD באמצעות נתוני ניטור קליניים ומרחוק2. לדוגמה, על ידי איסוף אינדיקטורים פיזיולוגיים, כגון דופק, קצב נשימה וכו', שילוב זה לא רק מסייע בניהול חולי COPD, אלא גם מציע נקודות מבט וגישות חדשות לניהול בריאות3. XGBoost הוא אלגוריתם עץ החלטות יעיל להגברת שיפוע (GB). XGBoost משתמש בטכניקות מחשוב מקבילות ומטמון כדי להפוך את האימון למהיר יותר ומסוגל להתמודד עם ניהול מסדי נתונים גדולים ומאפיינים מורכבים. יתר על כן, הוא מתפקד היטב בטיפול בסוגים שונים של מערכי נתונים, עם יכולת הכללה מצוינת4. זיכרון לטווח קצר ארוך (LSTM) הוא מבנה RNN מיוחד המשמש בדרך כלל לעיבוד ולמידה של נתוני סדרות זמן. LSTM רגיש לזמן ומסוגל לזהות דפוסים ומאפיינים בתוך נתוני סדרות זמן, מה שהופך אותו לשימושי עבור הקצאות כמו עיבוד אותות וחיזוי סדרות זמן. כדי להשיג חיזוי מדויק והתערבות מותאמת אישית של המחלה, מוצעת שיטה ליישם את האבחון החכם ואופן הטיפול של נתונים קליניים לניהול שיקום ביתי של COPD. המחקר משלב באופן חדשני XGBoost ו-LSTM כדי לייעל את האבחון ואופן הטיפול החכם של שיקום ביתי של COPD. השילוב של השניים יכול להשיג חיזוי מחלה מדויק ולספק תוכניות התערבות מותאמות אישית מונעות נתונים כדי לשפר את רמת האינטליגנציה של ניהול שיקום ביתי של COPD.

כדי להבטיח את התועלת של המודל המוצע, יש לקחת בחשבון מספר פרמטרים ואילוצים. השיטה יכולה לדרוש נתונים קליניים מובנים (למשל, נתוני תפקודי ריאות ונתוני חמצן בדם) ונתוני ניטור מרחוק (למשל, דופק, ריווי חמצן, רמות פעילות) שנאספו מעת לעת מחיישנים לבישים אמינים או ממכשירי ניטור ביתיים. לאימונים יציבים, גודל המדגם צריך להיות מינימום של 300 דגימות, ולביצועים מיטביים, עדיף 1000 דגימות או יותר. ישנם גם צרכים חישוביים, במיוחד במונחים של הכשרת LSTM, הדורשים כוח עיבוד מספיק או שימוש בפתרונות פריסה מבוססי ענן ליכולת חיזוי.

COPD היא מחלה נשימתית מתקדמת ובלתי הפיכה המאופיינת בהגבלת יציאה, החמרות חריפות ופגיעה באיכות החיים (QoL). זה משפיע באופן משמעותי על אוכלוסיות במערכות הבריאות, הרווחה והבריאות ברחבי העולם; לפיכך, חיזוי מוקדם והתערבות בזמן של COPD הם חלק בלתי נפרד מהגבלת התקדמות המחלה הפתולוגית ואשפוזיםבבתי חולים 5. טכניקות למידת מכונה (ML) הוכחו כמשפרות את נתיב האבחון והפרוגנוסטי של COPD עם נתונים רלוונטיים מבחינה קלינית באמצעות גישות מידול מתקדמות מונעות נתונים. XGBoost צוטט כמייצר את מודלי ה-ML היעילים והמוצלחים ביותר עבור נתונים לא מאוזנים ואינטראקציות לא ליניאריות בין משתנים קליניים6. דווח על דיוק מצוין בסיווג מחלות ריאה עם XGBoost ו-Support Vector Machines (SVM) עם נתוני אף אלקטרוניים. כמו כן, מודלים חיזויים מבוססי ML נבנו כדי לחזות את הסיכון ל-COPD באמצעות נתונים קליניים לא מאוזנים, והמליצו על XGBoost לשיפור אמינות הניבוי7. יתר על כן, הביצועים החזקים של XGBoost בין מודלים אחרים של ML במשימות סיווג COPD אומתו. למידת אנסמבל שימשה ביעילות גם באמצעות מודלים מרובים של ML למידה עצמית לזיהוי וסיווג של COPD, וגילוי סרטן ריאות, במיוחד בהתייחס לתפקידו של XGBoost בנתוני אבחון נשימה8. לסיכום, מחקרים קודמים אלה מספקים את הבסיס לשימוש ב-XGBoost ביישום שונה המשתמש ביכולות LSTM של שנאי לבניית מודל אבחון וטיפול חכם לאנשים החיים עם שיקום ביתי של COPD, כדי להגביר את דיוק החיזוי ומתן בריאות וטיפול מותאמים אישית יותר9.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

מחקר זה נבדק ואושר על ידי ועדת האתיקה של בית החולים לסרטן טאי-ג'ואו. הסכמה מדעת בכתב התקבלה מכל המשתתפים לפני איסוף הנתונים, בהתאם לסטנדרטים אתיים מוסדיים ולאומיים. הריאגנטים והתוכנה המשמשת מפורטים בטבלת החומרים.

1. סקירה כללית של זרימת העבודה

זרימת העבודה מקצה לקצה לעיבוד נתונים קליניים מובנים עם XGBoost מוצגת באיור 1 וכוללת בליעת תכונות, בניית עצים, עדכונים שיוריים, רגולציה והערכה. זרימת העבודה של העיבוד המקדים ומידול הרצף עבור נתוני ניטור מרחוק עם LSTM מוצגת באיור 2, הכוללת דגימה מחדש של 10 דקות, טיפול בפער, חלונות לא חופפים של 7 ימים, ארכיטקטורת רשת והסקת מסקנות.

2. גיוס מטופלים ודמוגרפיה

חולים גויסו ברציפות ממרפאות חוץ וממחלקות אשפוז בבית החולים לסרטן טאיז'ו בין מרץ 2023 לינואר 2024. קריטריוני ההכללה היו אבחנה מאושרת של COPD על פי קריטריוני GOLD (FEV1/FVC < 70%), מצב יציב בעת ההרשמה וגיל בין 40 ל-80 שנים. קריטריוני ההדרה כללו מחלות נלוות חמורות כגון סרטן ריאות, מחלת לב וכלי דם בלתי מבוקרת או ליקוי קוגניטיבי המונע הסכמה מדעת. בסך הכל נרשמו 214 מטופלים (גיל ממוצע 63.7 ± 8.9 שנים; 68% גברים; 54% מעשנים בהווה או בעבר).

3. איסוף נתונים

הנתונים המובנים הקליניים כללו תפקוד ריאות (FEV1, FVC), ריווי החמצן בדם (SpO2), משך האשפוז ומשך המחלה. תפקודי ריאות ו-SpO2 תועדו באחוזים, אשפוז בימים ומשך המחלה בשנים. נתוני ניטור מרחוק נאספו באמצעות אוקסימטרים לבישים מוסמכים ועוקבי פעילות שאומתו בהתאם לתקני הזהב של בתי החולים: מדי דופק הוצלבו עם מוניטורים של Masimo Rad-97 (שגיאה אבסולוטית ממוצעת של 1.8% בטווח של 90-100% SpO2 ), חיישני דופק אומתו מול אלקטרוקרדיוגרפיה (שגיאה ממוצעת 2.3 פעימות לדקה), ומוני צעדים כוילו בפרוטוקול הליכון. נתונים גולמיים יוצאו כקבצי CSV עם חותמת זמן במרווח דגימה של 10 דקות.

4. הצדקת גודל המדגם

סף של 300 דגימות אימון עבור XGBoost וכ-1000 רצפים לא חופפים של 7 ימים עבור LSTM נתמכו על ידי ניסויים וניתוחי כוח/סימולציה. ניתוח כוח פוסט-הוק באמצעות G*Power (גרסה 3.1) הצביע על כך ש-300 דגימות סיפקו >80% כוח לזהות גודל אפקט בינוני (f2 = 0.15 של כהן) ב-α = 0.05 ברגרסיה לוגיסטית. סימולציות הראו כי כ-1000 רצפים נחוצים להתכנסות יציבה של ה-LSTM בסדרות זמן פיזיולוגיות מרובות משתנים. הראיות האמפיריות מסוכמות בטבלה 1 ומוצגות באיור 3 ובאיור 4.

5. עיבוד מקדים של נתונים

ערכים חסרים, שזוהו כריקים, ערכי זקיף או NaN, יוחסו באמצעות ממוצע ערכת ההדרכה עבור כל תכונה כדי למנוע דליפת יעד:

figure-protocol-1(1)

כאשר MJ הוא מספר הערכים הנצפים עבור תכונה J. אותו הדבר figure-protocol-2 הוחל על ערכות האימות והבדיקה. כדי להסיר הטיה הקשורה לסולם, התכונות תוקננו עם נורמליזציה של ציון z באמצעות פרמטרים של אימון בלבד:

figure-protocol-3(2)

כאשר μj ו-σj הם הממוצע וסטיית התקן של תכונה j המוערכים מנתוני האימון. עבור אותות סדרות זמן (SpO2, דופק, צעדים), הזרמים היו מיושרים לקצב של 10 דקות; פערים קצרים של עד 30 דקות מולאו קדימה, ופערים ארוכים יותר הוחלקו עם ממוצע נע של שלוש נקודות. לאחר מכן הוחל חלון הזזה של 7 ימים עם 1008 שלבי זמן ליצירת רצפים לא חופפים כדי למנוע דליפה (ראה איור 2).

6. אימון מודל

עבור נתונים קליניים מובנים, XGBoost כוונן באמצעות חיפוש רשת על פני קצב למידה (0.01-0.3), עומק מקסימלי (3-10) ומספר אומדים (100-500) תחת יעד לוגיסטי בינארי (זרימת עבודה באיור 1). עבור נתוני ניטור מרחוק, ה-LSTM כלל שתי שכבות LSTM נסתרות עם 128 יחידות כל אחת, אתחול Xavier, שיעור נשירה של 0.5 ושכבת פלט סיגמואידית; אופטימיזציה השתמשה באדם עם קצב למידה של 0.001 המיושמת ב-TensorFlow (צינור באיור 2). התאמת יתר צומצמה עם נשירה ועצירה מוקדמת (סבלנות = 10), וחוסר איזון בכיתה טופל באמצעות SMOTE.

7. אסטרטגיית הערכה

הנתונים המובנים הוערכו באמצעות אימות צולב מרובד פי 10. נתוני סדרות זמן הוערכו עם אימות קדימה כדי לשמור על סדר הזמן. המדדים כללו דיוק, דיוק, זיכרון, מדידת F, שטח מתחת לעקומת ROC (AUC) ושגיאה ריבועית ממוצעת (MSE). ההבדלים בין המודלים הוערכו באמצעות מבחן הדירוג החתום של Wilcoxon (דו צדדי). הנתונים כוללים פסי ביטחון של 95% או קווי שגיאה כדי לכמת את אי הוודאות. בחירות אלה מתייחסות ישירות לסיכונים של דליפת סדרות זמן והצורך במובהקות סטטיסטית המבוקשת על ידי הסוקרים.

8. רלוונטיות קלינית ובדיקות פיילוט

המודל ההיברידי חזה ירידה ב-SpO2 6-12 שעות לפני הביטוי הקליני ב-78% מהחולים המנוטרים והפחית את ה-MSE ב-42.5% ביחס לקווי הבסיס. בפיילוט בן ארבעה שבועות עם 20 חולי COPD, ציוני הסיכון השבועיים של המודל תאמו את הערכות הרופאים ב-85% מהסקירות, ותמכו בפוטנציאל האינטגרציה הקלינית.

9. תוכנה וסביבה

הניתוחים בוצעו ב-Python 3.10.6 עם scikit-learn 1.2.2, XGBoost 1.7.5, TensorFlow 2.13 ו-PyTorch 1.13 באובונטו 20.04 LTS עם NVIDIA RTX 3080 GPU, CUDA 11.6 ו-cuDNN 8.2. ניהול גרסאות מלא וספקים מפורטים בטבלת החומרים הלא ממוספרת.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

יציבות בגודל המדגם וביצועים מיטביים
כדי להדגים במפורש את סף היציבות, אנו מציגים תחילה את טבלה 1, ואחריה עקומות למידה באיור 3 ובאיור 4. טבלה 1 מדווחת על ממוצע ± SD של דיוק, AUC ו-MSE על פני גדלי אימון הולכים וגדלים עבור מסווג XGBoost על נתונים מובנים ועבור LSTM על סדרות זמן מרובות משתנים. כפי שמוצג באיור 3, ביצועי XGBoost היו לא יציבים מתחת ל-200 דגימות (שונות גב...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

סיכום הממצאים העיקריים
COPD מטיל נטל קליני וחברתי משמעותי באמצעות נשימה לקויה, ניידות מופחתת והחמרות חריפות חוזרות ונשנות10. מינוף ניטור ביתי רציף עם ניתוח הניתן להסבר יכול להפחית את הנטל הזה על ידי מתן אפשרות לזיהוי מוקדם יותר והתערבות ממוקדת. במחקר זה, זרימת עבודה היברידית המשלבת XGBoost עבור משתנים קליניים מובנים ו-LSTM עבור אותות סדרות זמן מרובות משתנים השיגה ביצועים חזקים באופן עקבי, עם יציבות שהושגה ב-≥300 דגימות אימון והתכנסות אופטימלית ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

למחברים אין מה לחשוף.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
CUDANVIDIA11.6פלטפורמת מחשוב מקבילה ומודל תכנות המשמשים להאצת חישובים במעבדים גרפיים.
cuDNNNVIDIA8.2ספרייה מואצת GPU עבור רשתות עצביות עמוקות כדי לייעל את ביצועי אימון המודל.
מכונת א.ק.גפיליפסכותב עמודים TC70משמש לאימות מדידות דופק מהמכשיר הלביש.
מעבד גרפיNVIDIARTX 3080GPU בעל ביצועים גבוהים המשמש להאצת אימון מודלים על מערכי נתונים גדולים.
דגם LSTM--רשת עצבית של זיכרון לטווח קצר ארוך המשמשת לעיבוד נתונים בסדרות זמן.
אוקסימטר דופקמאסימורד-97משמש למדידת ריווי החמצן בדם (SpO2) ולאמת את הדיוק של המכשיר הלביש.
פיתוןקרן התוכנה של פייתון3.10.6שפת תכנות המשמשת לעיבוד נתונים, אימון מודלים והערכה.
TensorFlowגוגל2.13ספריית תוכנה המשמשת לאימון מודל LSTM וביצוע חישובי רשת עצבית.
מעקב אחר פעילות לבישהפיטביטאישום 5משמש למעקב אחר צעדים ורמות פעילות גופנית.
XGBoost--ספריית תוכנה המשמשת להגברת שיפוע (למידת מכונה).

מקורות

  1. Stolz, D., et al. Towards the elimination of chronic obstructive pulmonary disease: A Lancet Commission. Lancet. 400 (10356), 921-972 (2022).
  2. Adeloye, D., et al. Global, regional, and national prevalence of, and risk factors for, chronic obstructive pulmonary disease (COPD) in 2019: A systematic review and modelling analysis. Lancet Respir Med. 10 (5), 447-458 (2022).
  3. Asselman, A., Khaldi, M., Aammou, S. Enhancing the prediction of student performance based on the machine learning XGBoost algorithm. Interact Learn Environ. 31 (6), 3360-3379 (2023).
  4. Deng, Y., Lumley, T. Multiple imputation through xgboost. J Comput Graph Stat. 33 (2), 352-363 (2024).
  5. Binson, V. A., Subramoniam, M., Sunny, Y., Mathew, L. Prediction of pulmonary diseases with electronic nose using SVM and XGBoost. IEEE Sens J. 21 (18), 20886-20895 (2021).
  6. Wang, X., et al. Machine learning-enabled risk prediction of chronic obstructive pulmonary disease with un-balanced data. Comput Methods Programs Biomed. 230, 107340(2023).
  7. Non-invasive diagnosis of COPD with E-nose using XGBoost algorithm. Binson, V. A., et al. Proc Int Conf Adv Comput Commun Embedded Secure Syst, , 297-301 (2021).
  8. Feng, Y., et al. Predicting chronic obstructive pulmonary disease (COPD) with optimized machine learning via leveraging comparative analysis of XGBoost and CatBoost. J Ambient Intell Humaniz Comput. 16 (4), 613-627 (2025).
  9. Binson, V. A., Subramoniam, M., Mathew, L. Detection of COPD and lung cancer with electronic nose using ensemble learning methods. Clin Chim Acta. 523, 231-238 (2021).
  10. Boers, E., et al. Forecasting the global economic and health burden of COPD from 2025 through 2050. Chest J. , (2025).
  11. Lones, M. A. Avoiding common machine learning pitfalls. Patterns (N Y). 5 (10), 101046(2024).
  12. Patharkar, A., Cai, F., Al-Hindawi, F., Wu, T. Predictive modeling of biomedical temporal data in healthcare applications: Review and future directions. Front Physiol. 15, 1386760(2024).
  13. Prater, R., Hanne, T., Dornberger, R. Generalized performance of LSTM in time-series forecasting. Appl Artif Intell. 38 (1), 2377510(2024).
  14. Lima Marinho, T., do Nascimento, D. C., Pimentel, B. A. Optimization on selecting XGBoost hyperparameters using meta-learning. Expert Syst. 41 (9), e13611(2024).
  15. Jang, Y. Feature-based ensemble modeling for addressing diabetes data imbalance using the SMOTE, RUS, and random forest methods: A prediction study. Ewha Med J. 48 (2), e32(2025).
  16. Tian, H., Yuan, H., Yan, K., Guo, J. A cosine adaptive particle swarm optimization based long-short term memory method for urban green area prediction. PeerJ Comput Sci. 10, e2048(2024).
  17. Johnston, H., Nair, N., Du, D. Estimating calibrated risks using focal loss and gradient-boosted trees for clinical risk prediction. Electronics (Basel). 14 (9), 1838(2025).
  18. Del Chicca, S., et al. Wearable and thermal drift-compensated monitoring system based on fiber bragg grating sensors for a 3D-printed foot prosthesis. Sensors (Basel). 25 (3), 885(2025).
  19. Wu, X., et al. Optimizing recurrent neural networks: A study on gradient normalization of weights for enhanced training efficiency. Appl Sci (Basel). 14 (15), 6578(2024).
  20. Agarwal, M., Anand, S., Patro, M., Gothi, D. Early versus non-early desaturation during 6MWT in COPD patients: A follow-up study. Lung India. 40 (3), 235-241 (2023).
  21. Thölke, P., et al. Class imbalance should not throw you off balance: Choosing the right classifiers and performance metrics for brain decoding with imbalanced data. Neuroimage. 277, 120253(2023).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

XGBoostLSTMCOPD
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.