Explainable Machine Learning-Based Diabetes Prediction Using Clinical Features: A Comparative Evaluation of Ensemble and Boosting Algorithms A Comparative Study with Explainable Artificial Intelligence Analysis
تقيم هذه الدراسة وتقارن بين خمس خوارزميات للتعلم الآلي، بما في ذلك نماذج التجميع والتعزيز المحسنة، على مجموعة بيانات "بيما إنديانز" لمرض السكري للتنبؤ بمخاطر الإصابة بالسكري، حيث حددت نموذج "الغابة العشوائية" (Random Forest) المُحسَّن كأكثر النماذج دقة، واستخدمت تحليل "SHAP" لتأكيد أن الجلوكوز ومؤشر كتلة الجسم والعمر هي العوامل التنبؤية الرئيسية.
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
السكري هو حالة يعاني فيها الجسم من صعوبة في إدارة السكر، وهو مصدر حيوي للطاقة. وعندما يتعطل هذا النظام، يتراكم السكر في الدم، مما قد يؤدي إلى تلف الأعضاء بمرور الوقت إذا لم يتم اكتشافه مبكراً. لطالما اعتمد الأطباء على الفحوصات البدنية والاختبارات المعملية لرصد المرض، ولكن الحجم الهائل للبيانات الصحية المتاحة الآن قد فتح باباً جديداً. حيث يتجه العلماء نحو برامج حاسوبية يمكنها التعلم من الأنماط الموجودة في السجلات الطبية، بحثاً عن أدلة دقيقة قد تغفل عنها العين البشرية. هذه البرامج، المعروفة باسم تعلم الآلة، تعمل مثل الطلاب الذين يدرسون آلاف الحالات السابقة للمرضى لتعلم كيفية التنبؤ بمن قد يصاب بالمرض. ومع ذلك، لا تزال هناك عقبة رئيسية: فهذه البرامج غالباً ما تعمل كـ "صندوق أسود"، حيث تعطي إجابة دون توضيح كيف توصلت إليها. وفي الطب، معرفة سبب اتخاذ التنبؤ لا تقل أهمية عن التنبؤ نفسه، لأن الأطباء بحاجة إلى الثقة في المنطق قبل أن يتمكنوا من التصرف بناءً عليه.
لقد سعى باحث في جامعة دافوديل الدولية لحل هذه المشكلة من خلال اختبار مدى قدرة البرامج الحاسوبية المختلفة على التنبؤ بمرض السكري باستخدام معلومات سريرية قياسية، مع التأكد أيضاً من قدرة هذه البرامج على شرح منطقها الخاص. ركزت الدراسة على مجموعة معروفة من السجلات الطبية لـ 768 مريضاً، تضمنت تفاصيل مثل مستويات السكر في الدم، ووزن الجسم، والعمر، والتاريخ العائلي. لم يكن الهدف مجرد إيجال النموذج الحاسوبي الأكثر دقة، بل معرفة أي منها يمكنه أيضاً إظهار بوضوح العوامل الصحية التي تقود قراراته. ولتحقيق ذلك، استخدم الباحث طريقة تسمى (SHAP)، والتي تعمل مثل "كشاف الضوء"، حيث تسلط الضوء على مدى مساهمة كل قطعة من بيانات المريض في النتيجة النهائية. سمح هذا النهج للفريق بمقارنة خمسة أنواع مختلفة من خوارزميات التعلم، تتراوح من الأساليب الإحصائية البسيطة إلى الأنظمة الأكثر تعقيداً التي تبني العديد من أشجار القرار للوصول إلى استنتاج.
بدأت العملية بتنظيف البيانات، حيث احتوت بعض السجلات على قيم صفرية مستحيلة لأشياء مثل ضغط الدم أو سماكة الجلد، والتي عُوملت كمعلومات مفقودة وتم ملؤها بالقيم المتوسطة. بعد ذلك، قام الباحث بتقسيم البيانات إلى مجموعتين: واحدة لتعليم النماذج وأخرى لاختبارها. تم تدريب خمسة نماذج مختلفة، بما في ذلك نهج إحصائي أساسي، وطريقة تجمع بين العديد من أشجار القرار البسيطة، ونظامين متقدمين يتعلمان من خلال تصحيح أخطائهما بمرور الوقت. تم ضبط بعض هذه النماذح بدقة، تماماً مثل ضبط إعدادات الكاميرا للحصول على صورة أكثر وضوحاً، لمعرفة ما إذا كان بإمكانها تقديم أداء أفضل. أظهرت النتائج أن النموذج الذي تم ضبطه بدقة والذي يجمع بين العديد من أشجار القرار كان الأكثر دقة بشكل عام، حيث حدد حالة المرضى بشكل صحيح في حوالي 77 بالمئة من الحالات. ومع ذلك، عندما كان الهدف هو تحديداً رصد كل حالة سكري، حتى مع المخاطرة ببعض الإنذارات الكاذبة، فقد ثبت أن النسخة القياسية من ذلك النموذج نفسه وأحد الأنظمة المتقدمة هما الأكثر حساسية.
وعلى نحو حاسم، لم تتوقف الدراسة عند أرقام الدقة. فباستخدام أداة التفسير، استطاع الباحث رؤية ما كان الحاسوب ينظر إليه بالضبط. وكشف التحليل أن أقوى مؤشر تنبؤي كان مستوى الغلوكوز في الدم، يليه عن كثب مؤشر كتلة الجسم والعمر. لقد أكد الحاسوب ما تعرفه العلوم الطبية بالفعل: مستويات السكر المرتفعة، والوزن الزائد، والتقدم في السن هي أقوى إشارات الخطر. وما جعل هذا الاكتشاف مهماً هو أن الحاسوب توصل إلى هذه الاستنتاجات من تلقاء نفسه، وأثبتت أداة التفسير أنه كان يركز على الأشياء الصحيحة. هذه الشفافية حيوية لأنها تجسر الفجوة بين الخوارزمية المعقدة والطبيب البشري، وتظهر أن الآلة لا تخمن، بل تزن نفس العوامل الحرجة التي قد يأخذها الطبيب في الاعتبار.
تشير الدراسة إلى أنه بينما لا يوجد نموذج واحد مثالي لكل موقف، فإن الجمع بين محرك تنبؤ قوي وتفسير واضح لمنطقه يقدم أداة قوية للرعاية الصحية. ويشير البحث إلى أنه لأغراض الفحص، حيث يكون تفويت حالة ما أمراً خطيراً، فإن النماذج شديدة الحساسية لعوامل الخطر هي المفضلة، حتى لو كانت دقتها الإجمالية أقل قليلاً. يوضح العمل أنه من الممكن بناء أنظمة ذكية ومفهومة في آن واحد، مما يوفر مساراً مستقبلياً حيث تدعم التكنولوجيا القرارات السريرية دون إخفاء منطقها. وبينما استخدمت الدراسة مجموعة محددة من السجلات وأقرت بالحاجة إلى بيانات أكبر وأكثر تنوعاً لتأكيد هذه النتائج لجميع الشعوب، فقد نجحت في إظهار أن تعلم الآلة يمكن جعله شفافاً. والخلاصة النهائية هي أن هذه الأدوات يمكن أن تساعد في تحديد الأفراد المعرضين للخطر في وقت مبكر، بشرط استخدامها مع فهم لنقاط قوتها والأسباب المحددة وراء تنبؤاتها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.