DOI: https://doi.org/10.1371/journal.pone.0341198
PMID: https://pubmed.ncbi.nlm.nih.gov/41996322
تاريخ النشر: 2026-04-17
المؤلف: Farideh Mohtasham وآخرون
الموضوع الرئيسي: تعلم الآلة في الرعاية الصحية
نظرة عامة
تقدم البحث إطار عمل هجين لاختيار الميزات وتوجيه التنوع يهدف إلى تعزيز النمذجة التنبؤية في البيانات الطبية الحيوية عالية الأبعاد، وخاصة للتطبيقات السريرية. يعالج هذا الإطار قيود الطرق التجميعية الحالية من خلال دمج خط أنابيب قوي لاختيار الميزات – باستخدام تقنيات مثل عامل تضخم التباين (VIF)، وتحليل التباين (ANOVA)، والإزالة التراجعية المتسلسلة (SBE)، والانحدار باستخدام لاسو – للتخفيف من التعدد الخطي والإفراط في التكيف. بالإضافة إلى ذلك، يستخدم استراتيجية تجميع مدركة للتنوع تقوم ببناء مجموعات من النماذج الفرعية بناءً على مقاييس التنوع الزوجي وغير الزوجي. تم التحقق من صحة الإطار باستخدام بيانات من 4,778 مريضًا مصابًا بكوفيد-19 تم إدخالهم المستشفى، محققًا دقة مثالية تبلغ 91.4% مع متعلم شبكة عصبية، متفوقًا على أفضل نموذج فردي.
تسلط النتائج الضوء على قدرة الإطار على تحسين الدقة التنبؤية وقابلية التفسير مع الحفاظ على الكفاءة الحاسوبية، مما يجعله مناسبًا للنشر السريري شبه الفوري. تتماشى المتنبئات الرئيسية المحددة، مثل العمر وعدد الكريات البيضاء، مع المعرفة السريرية المعروفة، مما يعزز من صلة النموذج بالسرير. ومع ذلك، يعترف البحث بالقيود، بما في ذلك تصميمه الرجعي والاعتماد على بيانات من نظام صحي واحد، مما قد يؤثر على إمكانية تعميم النتائج. يتم تشجيع الأبحاث المستقبلية لتوسيع تطبيق الإطار عبر بيئات سريرية متنوعة ودمج مصادر بيانات متعددة الوسائط، مما يعزز من فائدته في الطب الدقيق ودعم اتخاذ القرار في الرعاية الصحية.
الطرق
يستعرض قسم “الطرق” المواد والمنهجيات المستخدمة في البحث. يوضح المواد المحددة المستخدمة للتجارب، بما في ذلك مصادرها وعمليات إعدادها. كما يصف القسم تصميم التجربة، بما في ذلك تقنيات أخذ العينات، وطرق جمع البيانات، والإجراءات التحليلية المنفذة لضمان موثوقية وصدق النتائج.
بالإضافة إلى ذلك، يتم تحديد الطرق المستخدمة لتحليل البيانات، بما في ذلك أي اختبارات إحصائية أو نماذج حسابية مستخدمة لتفسير النتائج. هذا القسم حاسم للتكرار، حيث يوفر نظرة شاملة على البروتوكولات المتبعة، مما يسمح للباحثين الآخرين بإعادة إنتاج الدراسة أو البناء على نتائجها.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يبرز الاتجاهات البيانية الهامة، والنتائج الإحصائية، وأي علاقات ملحوظة بين المتغيرات. عادةً ما يتم توضيح النتائج من خلال الجداول، والرسوم البيانية، أو الأشكال، التي توفر تمثيلًا بصريًا وتسهّل تفسير البيانات.
قد يتضمن القسم أيضًا مقارنات مع التوقعات النظرية أو الدراسات السابقة، مع التأكيد على أي تناقضات أو تأكيدات. بالإضافة إلى ذلك، غالبًا ما يناقش الآثار المترتبة على النتائج، مقترحًا كيف تساهم في المعرفة الحالية أو تطبيقاتها المحتملة في المجال المعني. بشكل عام، تعتبر النتائج حاسمة لفهم تأثير البحث وتوجيه التحقيقات المستقبلية.
المناقشة
الإطار المقترح لتوقع خطر الوفاة لدى مرضى كوفيد-19 يدمج تقنيات التعلم الآلي القياسية مع نهج خوارزمي مبتكر، موزع على مرحلتين رئيسيتين: المرحلة الأساسية، التي تتضمن معالجة البيانات وتدريب النماذج الأساسية، والمرحلة الخوارزمية، التي تستخدم تجميعًا موجهًا بالتنوع. استخدمت الدراسة مجموعة بيانات من 4,778 حالة مؤكدة لكوفيد-19، تم من خلالها تحديد 15 متنبئًا رئيسيًا من خلال عملية اختيار ميزات هجين متعددة المراحل تضمنت عامل تضخم التباين (VIF)، وتحليل التباين (ANOVA)، والإزالة التراجعية المتسلسلة (SBE)، والانحدار باستخدام لاسو. تم تدريب وتقييم ستة عشر مصنفًا للتعلم الآلي باستخدام التحقق المتكرر من صحة البيانات عبر 10 طيات، مع بناء نماذج تجميعية استنادًا إلى مقاييس الارتباط والتنوع الإحصائي لتعزيز الأداء التنبؤي.
تم اختيار النموذج النهائي بناءً على التنوع الخوارزمي والأداء في السياقات الطبية الحيوية، مما أسفر عن تجميع قوي شمل نماذج خطية وغير خطية. استخدم إطار التجميع خمسة متعلمين فرعيين، حيث حقق متعلم الشبكة العصبية (NN) أعلى دقة بلغت 91.4% (95% CI: 89.8-92.8) على مجموعة بيانات اختبار مستقلة. أكدت التقييمات الإحصائية تحسينات كبيرة في الأداء مقارنة بالمصنفات الفردية، خاصة في النماذج التي دمجت خوارزميات متنوعة. تؤكد الدراسة على أهمية القابلية للتفسير، باستخدام تحليلات SHAP لتوضيح مساهمات الميزات في توقعات الوفاة، مما يضمن قابلية تطبيق الإطار في اتخاذ القرارات السريرية.
القيود
تقدم الدراسة عدة قيود يجب الاعتراف بها عند تفسير نتائجها. أولاً، قد يؤدي التصميم الرجعي القائم على السجلات الصحية الإلكترونية (EHR) إلى إدخال تحيزات اختيارية ومعلوماتية بسبب الاعتماد على بيانات المستشفى المتاحة، والتي قد لا تلتقط جميع المتغيرات السريرية ذات الصلة بشكل شامل. تتفاقم هذه القيود بسبب مشكلات مثل البيانات غير المكتملة، وممارسات التسجيل غير المتجانسة، والتحيزات الضمنية لدى الأطباء التي قد تنشر عدم المساواة النظامية في الخوارزميات التنبؤية. بالإضافة إلى ذلك، يحد تقييد مجموعة البيانات بثلاثة مستشفيات إيرانية من إمكانية تعميم النموذج، حيث يمكن أن تؤثر الاختلافات في الخصائص الجينية والاجتماعية والديموغرافية والرعاية الصحية عبر السكان المختلفين بشكل كبير على توزيعات الميزات ومخاطر النتائج.
علاوة على ذلك، على الرغم من أن الدراسة استخدمت تقنيات إعادة أخذ العينات لمعالجة عدم توازن الفئات، إلا أن هذه الطرق قد تقدم عن غير قصد أنماطًا اصطناعية تشوه معايرة النموذج وتضخم الدقة التنبؤية. إن استخدام التعلم التجميعي، على الرغم من أنه يعزز الأداء التنبؤي، يضيف تعقيدًا حسابيًا ويثير مخاوف بشأن الثقة السريرية بسبب عدم وضوح مخرجات النموذج. علاوة على ذلك، لم تأخذ النماذج في الاعتبار العوامل المربكة السياقية غير المقاسة، مثل الأنظمة العلاجية المتطورة والعوامل الاجتماعية المحددة للصحة، والتي قد تؤثر على تقديرات التأثير وتحد من قابلية التطبيق في العالم الحقيقي. أخيرًا، يقتصر التركيز على مقاييس التمييز على حسابات المعايرة والتقييمات العادلة، مما يحد من قابلية التفسير السريرية. على الرغم من هذه التحديات، التزمت الدراسة باستراتيجيات تحقق صارمة، بما في ذلك التحقق المتكرر من صحة البيانات وتقييم المعايرة، مما يبرز الحاجة إلى تحقق مستقل ومستقبلي في مجموعات سكانية متنوعة قبل التنفيذ السريري.
DOI: https://doi.org/10.1371/journal.pone.0341198
PMID: https://pubmed.ncbi.nlm.nih.gov/41996322
Publication Date: 2026-04-17
Author(s): Farideh Mohtasham et al.
Primary Topic: Machine Learning in Healthcare
Overview
The research introduces a hybrid feature-selection and diversity-guided stacking framework aimed at enhancing predictive modeling in high-dimensional biomedical data, particularly for clinical applications. This framework addresses the limitations of existing ensemble methods by integrating a robust feature-selection pipeline—utilizing techniques such as Variance Inflation Factor (VIF), Analysis of Variance (ANOVA), Sequential Backward Elimination (SBE), and Lasso regression—to mitigate multicollinearity and overfitting. Additionally, it employs a diversity-aware stacking strategy that constructs sub-model sets based on both pairwise and non-pairwise diversity metrics. The framework was validated using data from 4,778 hospitalized COVID-19 patients, achieving an optimal accuracy of 91.4% with a Neural Network meta-learner, outperforming the best individual model.
The findings highlight the framework’s ability to improve predictive accuracy and interpretability while maintaining computational efficiency, making it suitable for near real-time clinical deployment. Key predictors identified, such as age and neutrophil count, align with established clinical knowledge, reinforcing the model’s clinical relevance. However, the study acknowledges limitations, including its retrospective design and reliance on data from a single health system, which may affect generalizability. Future research is encouraged to expand the framework’s application across diverse clinical settings and integrate multimodal data sources, thereby enhancing its utility in precision medicine and healthcare decision support.
Methods
The “Methods” section outlines the materials and methodologies employed in the research. It details the specific materials used for experimentation, including their sources and preparation processes. The section also describes the experimental design, including the sampling techniques, data collection methods, and analytical procedures implemented to ensure the reliability and validity of the results.
Additionally, the methods employed for data analysis are specified, including any statistical tests or computational models used to interpret the findings. This section is crucial for replicability, as it provides a comprehensive overview of the protocols followed, allowing other researchers to reproduce the study or build upon its findings.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights significant data trends, statistical outcomes, and any observed relationships between variables. The results are typically illustrated through tables, graphs, or figures, which provide visual representation and facilitate interpretation of the data.
The section may also include comparisons with theoretical predictions or previous studies, emphasizing any discrepancies or confirmations. Additionally, it often discusses the implications of the findings, suggesting how they contribute to the existing body of knowledge or their potential applications in the relevant field. Overall, the results are critical for understanding the impact of the research and guiding future investigations.
Discussion
The proposed framework for predicting mortality risk in COVID-19 patients integrates standard machine learning techniques with innovative algorithmic approaches, structured into two main stages: the Foundational Stage, which involves data preprocessing and training of base models, and the Algorithmic Stage, which employs a diversity-guided stacking ensemble. The study utilized a dataset of 4,778 confirmed COVID-19 cases, from which 15 key predictors were identified through a multi-stage hybrid feature selection process that included Variance Inflation Factor (VIF), Analysis of Variance (ANOVA), Sequential Backward Elimination (SBE), and Lasso regression. Sixteen machine learning classifiers were trained and evaluated using repeated 10-fold cross-validation, with ensemble models constructed based on correlation and statistical diversity metrics to enhance predictive performance.
The final model selection was based on algorithmic diversity and performance in biomedical contexts, resulting in a robust ensemble that included both linear and nonlinear models. The stacking framework utilized five meta-learners, with the Neural Network (NN) meta-learner achieving the highest accuracy of 91.4% (95% CI: 89.8-92.8) on an independent test dataset. Statistical evaluations confirmed significant performance improvements over individual classifiers, particularly in models that combined diverse algorithms. The study emphasizes the importance of interpretability, employing SHAP analyses to elucidate feature contributions to mortality predictions, thereby ensuring the framework’s applicability in clinical decision-making.
Limitations
The study presents several limitations that must be acknowledged when interpreting its findings. Firstly, the retrospective design based on electronic health records (EHR) may introduce selection and information biases due to reliance on available hospital data, which may not comprehensively capture all relevant clinical variables. This limitation is exacerbated by issues such as incomplete data, heterogeneous logging practices, and implicit clinician biases that could propagate systemic inequities into the predictive algorithms. Additionally, the dataset’s restriction to three Iranian hospitals limits the generalizability of the model, as variations in genetic, sociodemographic, and healthcare characteristics across different populations could significantly affect feature distributions and outcome risks.
Moreover, while the study employed resampling techniques to address class imbalance, such methods may inadvertently introduce artificial patterns that distort model calibration and inflate predictive accuracy. The use of ensemble learning, although enhancing predictive performance, adds computational complexity and raises concerns regarding clinical trust due to the opacity of model outputs. Furthermore, the models did not account for unmeasured contextual confounders, such as evolving treatment regimens and social determinants of health, which could bias effect estimates and limit real-world applicability. Lastly, the focus on discrimination metrics over calibration and fairness assessments restricts clinical interpretability. Despite these challenges, the study adhered to rigorous validation strategies, including repeated cross-validation and calibration evaluation, underscoring the need for independent, prospective validation in diverse populations before clinical implementation.