Explainable Machine Learning Framework for Predicting Cardiometabolic Risk Using Meal Timing and Eating Habits

ملخص تقني: إطار تعلم آلي قابل للتفسير للتنبؤ بمخاطر أمراض القلب والتمثيل الغذائي باستخدام توقيت الوجبات وعادات الأكل

بيان المشكلة
تعتمد استراتيجيات تقييم مخاطر أمراض القلب والتمثيل الغذي التقليدية بشكل أساسي على المؤشرات الأنثروبومترية والسريرية الثابتة (مثل مؤشر كتلة الجسم وضغط الدم) ومحتوى النظام الغذائي، وغالباً ما تهمل البعد الزمني لسلوك الأكل. وبينما تشير أبحاحث التغذية المزمنة (chrono-nutrition) الناشئة إلى أن توقيت الوجبات وانتظامها يؤثران بشكل كبير على الصحة الأيضية — وتحديداً من خلال محاذاة الإيقاع اليوماوي (circadian rhythm) — إلا أن هذه العوامل نادراً ما تُدمج في النماذج التنبؤية. علاوة على ذلك، تفشل التقنيات الإحصائية الحالية غالباً في رصد العلاقات المعقدة وغير الخطية بين الأنماط السلوكية والنتائج الأيضية. بالإضافة إلى ذلك، فإن طبيعة "الصندوق الأسود" لنماذج التعلم الآلي المتقدمة تحد من فائدتها السريرية، حيث يحتاج مقدمو الرعاية الصحية إلى رؤى قابلة للتفسير لتوجيه التدخلات.

المنهجية
حللت هذه الدراسة المستعرضة بيانات من 300 شخص بالغ، حيث دمجت البيانات الديموغرافية، والأنثروبومترية (مؤشر كتلة الجسم، ونسبة الخصر إلى الورك)، والسريرية (ضغط الدم)، وبيانات التغذية المزمنة (توقيت الوجبات، وتكرارها، وانتظامها، والوعي السلوكي).

• معالجة البيانات وهندسة الميزات: تم تنظيف البيانات الخام، واستكمال القيم المفقودة باستخدام المتوسط أو المنوال. كما تم ترميز المتغيرات الفئوية، وترتيب المتغيرات الترتيبية عددياً. وهندست ميزات مبتكرة لقياس التباين السلوكي، بما في ذلك "درجة عدم المحاذاة اليوماوية"، و"مؤشر تباين توقيت الوجبات"، و"مؤشر جودة النظام الغذائي". وخضعت المتغيرات المستقلة المستمرة لعملية التقييس (Z-score normalization) والتحويل اللوغاريتمي للتوزيعات الملتوية.
• تطوير النماذج: تم تطوير ومقارنة ثلاثة خوارزميات للتعلم الخاضع للإشراف: الانحدار اللوجستي (LR)، والغابة العشوائية (RF)، وتعزيز التدرج الفائق (XGBoost).
  • الانحدار اللوجستي (LR): تم اختباره مع تنظيم L1 وL2 وElastic-net (القيمة المثلى $C=1.0$).
  • الغابة العشوائية (RF): تم ضبطها بـ 500 شجرة، وعمق أقصى قدره 20، ومعايير تقسيم محددة لموازنة التحيز والتباين.
  • XGBoost: تم ضبطه بدقة عبر البحث الشبكي (grid search) مع معدل تعلم قدره 0.05، وعمق أقصى قدره 6، ونسبة أخذ عينات فرعية قدرها 0.8، ومعلمات تنظيم $\alpha=0.1, \lambda=1$.
• التحقق والتفسير: تم تقييم النماذج باستخدام التحقق المتقاطع الطبقي ذي الـ 10 طيات المتداخل (nested 10-fold stratified cross-validation). وشملت مقاييس الأداء: المساحة تحت منحنى خصائص تشغيل المستقبِل (AUC-ROC)، والدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1، ودرجة براير (Brier score) للمعايرة. ولضمان القابلية للتفسير، تم تطبيق تفسيرات شابلي الإضافية (SHAP) على النموذج الأفضل أداءً لتحديد مساهمات الميزات وتحديد الدوافع السلوكية القابلة للتنفيذ.

النتائج الرئيسية

• أداء النموذج: أظهر نموذج XGBoost أداءً فائقاً، حيث حقق AUC-ROC بنسبة 0.98، ودقة (accuracy) بنسبة 93%، وضبط (precision) بنسبة 92%، واستدعاء (recall) بنسبة 91%، ومقياس F1 بنسبة 0.92. كما أظهر أفضل معايرة بدرجة براير بلغت 0.03. تلاها نموذج الغابة العشوائية (RF) بـ AUC قدره 0.94 ودقة 89%، بينما حقق الانحدار اللوجستي (LR) AUC قدره 0.92 ودقة 87%.
• المتنبئات بالمخاطر:
  • الفسيولوجية: ظلت نسبة الخصر إلى الورك (WHR) ومؤشر كتلة الجسم (BMI) هما أهم المتنبئات الفسيولوجية (نسب الأرجحية ORs بلغت 4.39 و2.74 على التوالي).
  • السلوكية/التغذية المزمنة: حدد تحليل SHAP أن توقيت العشاء المتأخر (OR = 2.5)، وتوقيت الوجبات غير المنتظم (OR = 1.6)، وعدم الالتزام بتكرار الوجبات الموصى به (OR = 1.8) كأهم المتنبئات المستقلة بمخاطر أمراض القلب والتمثيل الغذائي.
  • العوامل الوقائية: ارتبط زيادة تكرار الوجبات وارتفاع مستوى الوعي بأهمية توقيت الوجبات بانخفاض المخاطر.
• التفاعلات: وجدت الدراسة تأثيراً تراكمياً حيث كان الأفراد الذين لديهم نسبة خصر إلى ورك (WHR) أو مؤشر كتلة جسم (BMI) أعلى أكثر تضرراً من أنماط الأكل غير المنتظمة وتناول الطعام في وقت متأخر من الليل، مما يشير إلى أن عدم المحاذاة اليوماوية يفاقم الضعف الأيضي.

المساهمات الرئيسية

1. دمج التغذية المزمنة: نجحت الدراسة في دمج توقيت الوجبات وانتظامها في إطار تعلم آلي قابل للتفسير، مما أثبت أن هذه العوامل الزمنية توفر قيمة تنبؤية كبيرة تتجاوز المقاييس الأنثروبومترية التقليدية.
2. إطار ذكاء اصطناعي قابل للتفسير: من خلال الجمع بين التعلم التجميعي عالي الأداء (XGBoost) وتقنية SHAP، جسرت الدراسة الفجوة بين دقة التنبؤ والقابلية للتفسير السريري. وهي تترجم مخرجات النماذج المعقدة إلى أهداف سلوكية محددة وقابلة للتعديل (مثل تجنب العشاء المتأخر، والحفاظ على الانتظام).
3. تحديد الوعي كعامل مؤثر: تسلط الأبحاث الضوء على "الوعي بتوقيت الوجبات" كعامل سلوكي وقائي متميز ومستقل عن حجم الجسم أو جودة الطعام، مما يشير إلى وجود مكون معرفي للتنظيم الأيضي.

الأهمية والادعاءات
يدعي البحث أن دمج توقيت الوجبات والانتظام السلوكي في نماذج التعلم الآلي القابلة للتفسير يحسن بشكل كبير من دقة التنبؤ بمخاطر أمراض القلب والتمثيل الغذائي. ويؤكد المؤلفون أن إطار XGBoost-SHAP لا يقدم أداءً تنبؤياً عالياً فحسب، بل يوضح أيضاً التفاعلات بين تكوين الجسم وإيقاعات الأكل اليوماوية.

ومن الأهمية بمكان أن الدراسة تفترض أن الوعي بتوقيت الوجبات هو هدف منخفض التكلفة، وقابل للتوسع، وقابل للتعديل لتدخلات الصحة العامة. وتشير النتائج إلى أن مزامنة استهلاك الطعام مع الدورات الفسيولوجية الطبيعية للجسم — وتحديداً تجنب العشاء المتأخر والحفاظ على الجداول المنتظمة — قد يعمل كاستراتيجية فعالة للوقاية طويلة الأمد من أمراض القلب والتمثيل الغذائي، حتى لدى الأفراد ذوي مؤشر كتلة الجسم الطبيعي. ويشدد المؤلفون على أن هذه التدخلات السلوكية يمكن أن تخفف من الآثار الأيضية في أنماط الحياة الحديثة والمضطربة دون الحاجة بالضرورة إلى قيود غذائية صارمة.

ملاحظة: بما أن هذا بحث أولي (preprint)، فقد صرح المؤلفون صراحةً بأن البحث لم يتم اعتماده من قبل مراجعة الأقران ولا ينبغي استخدامه لتوجيه الممارسة السريرية.