Explainable Machine Learning Framework to Prioritize Predictors of Type 2 Diabetes Risk Among Adult Males Using Lifestyle and Clinical Indicators
طورت هذه الدراسة إطار عمل للتعلم الآلي القابل للتفسير باستخدام بيانات مسح NHANES للفترة 2017-2018 لتوضيح أنه في حين أن العمر، وجلوكوز الصيام، والتاريخ العائلي هي من أبرز المتنبئات بمرض السكري من النوع الثاني لدى الذكور البالغين، فإن إدراج نسبة الخصر إلى الورك يعزز دقة التنبؤ بالمخاطر بشكل كبير عند استبعاد جلوكوز الصيام.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يُعد مرض السكري من النوع الثاني حالة يعاني فيها الجسم من صعوبة في إدارة مستويات السكر في الدم، وهي مشكلة غالباً ما تتطور ببطء على مدار سنوات قبل ظهور الأعراض. ولعقود من الزمن، اعتمد الأطباء على قياسات بسيطة مثل مؤشر كتلة الجسم، وهو عملية حسابية تعتمد على الطول والوزن، لتقدير مخاطر الإصابة لدى الشخص. ومع ذلك، ظل العلماء يتجادلون طويلاً حول ما إذا كان هذا الرقم الواحد يروي القصة كاملة، أم أن مقاييس أخرى لشكل الجسم، مثل نسبة الخصر إلى الورك، قد تكشف عن مخاطر خفية تغفل عنها عملية فحص الوزن القياسية. وتكمن الصعوبة في حقيقة أن السكري لا ينتج عن عامل واحد، بل هو مزيج معقد من الوراثة، والعادات اليومية، والعلامات السريرية. ولتفكيك هذه الشبكة، يتجه الباحثون بشكل متزايد نحو أنظمة الكمبيوتر التي يمكنها إيجاد أنماط في كميات هائلة من البيانات، لكن هذه الأنظمة غالباً ما تعمل كـ "صناديق سوداء"، حيث تقدم تنبؤات دون شرح كيفية وصولها إليها. وهذا النقص في الوضوح يجعل من الصعب على الأطباء الوثوق بالنتائج أو استخدامها لتوجيه المرضى.
قام فريق من الباحثين في جامعة إنجي في كوريا الجنوبية بتحديد هذه المشكلة عبر بناء نموذج حاسوبي جديد مصمم للتنبؤ بمخاطر الإصابة بالسكري لدى الرجال البالغين، مع شرح العوامل الأكثر أهمية بدقة في الوقت ذاته. وقد استخدموا بيانات من ما يقرب من 2,800 رجل أمريكي، حيث جمعوا معلومات عن أعمارهم، وتاريخ عائلاتهم، وعاداتهم المعيشية مثل ممارسة الرياضة والنوم، ومختلف المؤشرات الصحية. واختبر الفريق ثلاث طرق مختلفة لقياس دهون الجسم: إحداها تستخدم فقط حساب الوزن إلى الطول القياسي، وأخرى تستخدم فقط نسبة الخصر إلى الورك، وثالثة تجمع بين كليهما. وقاموا بتغذية هذه المعلومات في عدة أنواع مختلفة من خوارزميات التعلم الآلي، بما في ذلك بعض الخوارزميات التي تحاكي طريقة معالجة الدماغ البشري للمعلومات، لمعرفة أي تركيبة ستنتج النتائج الأكثر دقة وفهماً.
ووجد الباحثون أنه بينما كانت كلتا قياسات الجسم مفيدة، فإن التنبؤ الأقوى لم يكن متعلقاً بقياس شكل الجسم على الإطلاق. فعندما حلل الكمبيوتر البيانات، حدد العمر، ومستوى السكر في الدم أثناء الصيام، والتاريخ العائلي للسكري، كأهم ثلاثة عوامل في تحديد المخاطر. وأظهر النموذج أن عمر الرجل وما إذا كان والداه أو أشقاؤه يعانون من السكري كان أكثر تأثيراً بكثير مما إذا كان يحمل وزناً زائداً حول منتصف جسمه أو كتلة جسمه الإجمالية. ويشير هذا إلى أنه بينما يهم شكل الجسم، إلا أنه يلعب دوراً ثانوياً أمام هذه الإشارات البيولوجية الأقوى. كما اكتشف الفريق أن الطريقة المحددة التي يقيسون بها دهون الجسم كانت أقل أهمية مما كان يُعتقد سابقاً؛ إذ كان أداء النموذج متساوياً تقريباً سواء نظر في الوزن، أو نسبة الخصر إلى الورك، أو كليهما معاً، مما يشير إلى أن هذه القياسات غالباً ما تلتقط معلومات متشابهة عند النظر إليها جنباً إلى جنب مع البيانات الصحية الأخرى.
ولضمان متانة نتائجهم، اختبر الباحثون ما سيحدث إذا لم يكن لدى النموذج إمكانية الوصول إلى نتائج السكر في الدم، وهو سيناريو قد يحدث في عمليات الفحص المجتمعي حيث لا تتوفر الاختبارات المختبرية على الفور. وحتى بدون هذه المعلومة الرئيسية، ظل النموذج فعالاً، وإن كان أقل دقة قليلاً. In this scenario, waist-to-hip ratio became slightly more important than BMI, suggesting that body shape may provide an additional clue when fasting glucose measurements are unavailable. The model was still able to identify men who were more likely to have diabetes by using information such as age, family history, body measurements, blood pressure, cholesterol levels, and lifestyle factors. However, it performed slightly less accurately than the model that included fasting blood sugar.
ركزت الدراسة أيضاً على جعل تفكير الكمبيوتر شفافاً. فمن خلال استخدام طريقة تفكك كل تنبؤ، استطاع الباحثون إظهار مدى مساهمة كل عامل في النتيجة النهائية. فعلى سبيل المثال، استطاعوا توضيح أن خطر إصابة رجل معين كان مدفوعاً بشكل أساسي بعمره وتاريخ عائلته، بينما كان خطر رجل آخر متأثراً أكثر بضغط دمه أو مستويات الكوليسترول لديه. وهذه القدرة على شرح "السبب" وراء التنبؤ أمر بالغ الأهمية للأطباء، لأنها تسمح لهم بتقديم نصائح مخصصة بدلاً من مجرد درجة خطر عامة. وقد أكد الباحثون أن نهجهم نجح أيضاً على مجموعة منفصلة تضم أكثر من 22,000 رجل، مما أظهر أن النموذج يمكنه تعميم نتائجه على مجموعات سكانية مختلفة.
في النهاية، تشير هذه الأعمال إلى أن الجدل القائم منذ فترة طويلة حول ما إذا كان الوزن أو حجم الخصر هو المؤشر الأفضل لخطر الإصابة بالسكري قد يكون أقل أهمية مما كان يُعتقد سابقاً. فعندما تتوفر صورة كاملة لصحة الشخص، بما في ذلك عمره، وتاريخ عائلته، والمؤشرات البيولوجية، يصبح الاختيار المحدد بين هذين القياسين البدنيين أقل أهمية. وتخلص الدراسة إلى أن الطريقة الأكثر فعالية للتنبؤ بمخاطر السكري هي النظر إلى الشخص ككل، من خلال الجمع بين الأسئلة البسيطة حول نمط الحياة والعائلة مع الفحوصات السريرية الأساسية. An accurate and explainable framework may support the preliminary identification and risk stratification of adult males with a higher likelihood of diabetes, although prospective clinical validation is required before implementation.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.