نوشته شانیا کندی
– یک تیم تحقیقاتی از UC Davis Health ابزار یادگیری ماشینی (ML) را برای شناسایی بیمارانی که در معرض افزایش خطر ابتلا به سرطان کبد (HCC) هستند، توسعه دادند.
این مدل از تجزیه و تحلیل پیش‌بینی‌کننده برای ارائه ارزیابی خطر برای بیماران مبتلا به بیماری استئاتوز کبدی مرتبط با اختلال متابولیک (MASLD) استفاده می‌کند.
Aniket Alurwar، MS، متخصص انفورماتیک بالینی در مرکز UC Davis برای پزشکی دقیق و علوم داده، یکی از نویسندگان این مطالعه، اظهار داشت: «MASLD می تواند منجر به HCC شود، اما این بیماری کاملاً یواشکی است، و اغلب مشخص نیست که کدام بیماران با این خطر مواجه هستند. در انتشار خبر بیوپسی هر بیمار مبتلا به MASLD منطقی نیست، اما اگر بتوانیم خطر را تقسیم بندی کنیم، می توانیم آن افراد را با دقت بیشتری ردیابی کنیم و شاید HCC را زودتر تشخیص دهیم.
برای بهبود غربالگری HCC و کاهش خطر، محققان به ML روی آوردند. آنها با آزمایش 9 الگوریتم منبع باز اولیه بر اساس توانایی آنها در یادگیری ارتباطات بین متغیرهای بالینی و استفاده از این اتصالات برای پیش بینی HCC در گروهی از 1561 بیمار مرکز پزشکی UC Davis شروع کردند.
از بین این الگوریتم‌ها، پنج مورد برای ارزیابی بیشتر بر اساس عملکرد بالایشان در فهرست نهایی قرار گرفتند. این مدل‌ها با استفاده از داده‌های یک گروه جداگانه از ۶۸۶ بیمار در مرکز پزشکی UC سانفرانسیسکو، اعتبارسنجی و با یکدیگر مقایسه شدند.
الگوریتم Gradient Boosted Trees از نظر دقت، ویژگی و حساسیت از سایر الگوریتم ها بهتر بود. با ترکیب این الگوریتم در یک مدل آزمایشی، محققان نه تنها می‌توانند خطر HCC را پیش‌بینی کنند، بلکه می‌توانند عوامل خطر مرتبط را برای ارزیابی بیشتر شناسایی کنند.
تجزیه و تحلیل نشان داد که فیبروز و سیروز پیشرفته کبدی – که بر حسب نمرات بالای فیبروز-4 (FIB-4) تعریف می شود – از قابل اعتمادترین پیش بینی کننده های HCC بودند. علاوه بر این، چهار عامل خطر دیگر مرتبط با عملکرد کبد نشان داده شد: فشار خون بالا، کلسترول بالا، و سطوح غیر طبیعی بیلی روبین و آلکالین فسفاتاز (ALP).
این بینش ها به روشن شدن این موضوع کمک کرد که بیماران ممکن است در معرض خطر بالای ابتلا به HCC باشند اما واجد شرایط غربالگری تحت دستورالعمل های بالینی نباشند. بیماران مبتلا به FIB-4 پایین اما کلسترول بالا، فشار خون بالا و بیلی روبین در این دسته قرار می گیرند که پتانسیل این مدل برای بهبود غربالگری را برجسته می کند.
ما 92.12 گرفتیم [percent] دقت در هنگام پیش‌بینی اینکه کدام بیماران MASLD به HCC مبتلا می‌شوند، که برای یک مدل آزمایشی بسیار خوب است.» بیماران با FIB-4 پایین معمولاً کم خطر در نظر گرفته می شوند و برای ارزیابی بیشتر ارجاع نمی شوند. با نشان دادن اینکه کدام یک از این بیماران «کم خطر» ممکن است به HCC مبتلا شوند، می‌توانیم آنها را برای بیوپسی یا تصویربرداری کبد ارجاع دهیم.»
در حرکت رو به جلو، تیم تحقیقاتی امیدوار است که با ترکیب داده‌های اضافی، مانند یادداشت‌های بالینی، با استفاده از پردازش زبان طبیعی (NLP) مدل را بهبود بخشد.
محققان خاطرنشان کردند که یک مدل پیش‌بینی خطر موفقیت‌آمیز می‌تواند در نهایت در پرونده‌های سلامت الکترونیکی (EHRs) ادغام شود تا به پزشکان کمک کند تشخیص دهند که چه زمانی یک بیمار MASLD در معرض خطر ابتلا به HCC است.
الوروار گفت: «ما معتقدیم که می‌توانیم الگوریتم را با ترکیب یادداشت‌های بالینی و شاید اطلاعات دیگر بهبود دهیم. جاسازی این داده‌ها باید یک مدل قوی‌تر ایجاد کند که ما می‌توانیم آن را آزمایش کنیم تا عملکرد آن را ببینیم.»
فن‌آوری‌های پیشرفته مانند هوش مصنوعی (AI) و ML پتانسیل قابل توجهی در پیشبرد تلاش‌های طبقه‌بندی ریسک برای شرایط مختلف دارند، اما این مدل‌ها قبل از استقرار به اعتبارسنجی قوی نیاز دارند.
یک تیم تحقیقاتی از Mass General Brigham اخیراً دریافتند که مدل خطر حماسی آسیب حاد کلیه اکتسابی در بیمارستان (HA-AKI) فقط نسبتاً موفق بوده و محدودیت‌های متعددی را نشان می‌دهد.
محققان خاطرنشان کردند که عملکرد پیش‌بینی این ابزار بر اساس مرحله HA-AKI متفاوت است و پیش‌بینی‌های مراحل اولیه دقیق‌تر از مراحل بعدی است. این مدل همچنین هنگام ارزیابی افراد کم خطر قابل اعتمادتر بود، در حالی که برای نشان دادن بیماران با خطر بالاتر تلاش می کرد.
علاوه بر این، تیم تحقیقاتی نشان داد که استقرار این مدل می‌تواند منجر به نرخ‌های مثبت کاذب بالا شود.
این یافته‌ها بر اهمیت اعتبار بالینی برای ابزارهای تحلیل پیش‌بینی تأکید می‌کند.