DOI: https://doi.org/10.1038/s41598-026-45297-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41882208
تاريخ النشر: 2026-03-25
المؤلف: Xing-Yu Zhu وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تركز الأبحاث على تطبيق تقنيات التعلم الآلي القابلة للتفسير للتنبؤ بمخاطر الأمراض القلبية الوعائية على المدى الطويل بين الأفراد الصينيين في منتصف العمر. تؤكد الدراسة على أهمية القابلية للتفسير في نماذج التعلم الآلي، لا سيما في مجال الرعاية الصحية، حيث يمكن أن يعزز فهم الأسباب وراء التنبؤات اتخاذ القرارات السريرية وثقة المرضى.
تشير النتائج الرئيسية إلى أن النماذج المقترحة لا تحقق فقط دقة تنبؤية عالية ولكنها توفر أيضًا رؤى حول العوامل المساهمة في مخاطر القلب والأوعية الدموية. من خلال استخدام طرق قابلة للتفسير، تهدف الأبحاث إلى سد الفجوة بين خوارزميات التعلم الآلي المعقدة وتطبيقات الرعاية الصحية العملية، مما يحسن في النهاية استراتيجيات تقييم وإدارة المخاطر للأمراض القلبية الوعائية في هذه الفئة السكانية.
مقدمة
تعد الأمراض القلبية الوعائية (CVD) السبب الرئيسي للوفيات على مستوى العالم، حيث أفاد تقرير عبء المرض العالمي لعام 2021 بحدوث حوالي 20.5 مليون حالة وفاة تُعزى إلى الأمراض القلبية الوعائية، مما يمثل 32.4% من الوفيات العالمية. في الصين، تتجاوز حالات الأمراض القلبية الوعائية 350 مليون حالة، مع معدلات وفيات كبيرة، لا سيما بين كبار السن. على الرغم من التحسينات في معدلات الوفيات المعدلة حسب العمر، من المتوقع أن يرتفع عبء الأمراض القلبية الوعائية بسبب شيخوخة السكان. يعد التنبؤ الدقيق بالمخاطر والتدخل المبكر أمرًا حاسمًا لإدارة الأمراض بشكل فعال، ومع ذلك، أظهرت نماذج التنبؤ بالمخاطر الحالية، مثل درجة دراسة قلب فرامينغهام ومعادلات مجموعة جمعية القلب الأمريكية/كلية القلب الأمريكية، قيودًا في السكان الصينيين بسبب الفوارق العرقية والرعاية الصحية.
لمعالجة هذه النواقص، طور الباحثون نماذج محلية للتنبؤ بالمخاطر، بما في ذلك أداة مخاطر الأمراض القلبية الوعائية التصلبية على مدى 10 سنوات استنادًا إلى بيانات من دراسة التنبؤ بمخاطر الأمراض القلبية الوعائية التصلبية في الصين (China-PAR). ومع ذلك، غالبًا ما تفشل الطرق الإحصائية التقليدية المستخدمة في هذه النماذج في التقاط العلاقات المعقدة بين المتغيرات. تقدم أساليب التعلم الآلي قدرات تنبؤية محسنة ولكنها تواجه تحديات تتعلق بالقابلية للتفسير. تقترح الدراسة استخدام تقنيات الذكاء الاصطناعي القابل للتفسير (XAI)، وتحديدًا SHapley Additive exPlanations (SHAP)، لتعزيز قابلية تفسير نماذج التعلم الآلي لتنبؤ مخاطر الأمراض القلبية الوعائية على المدى الطويل. من خلال الاستفادة من البيانات من دراسة الصحة والتقاعد في الصين (CHARLS)، تهدف هذه التحقيقات إلى مقارنة خوارزميات التعلم الآلي المختلفة، وتوضيح عوامل المخاطر الحرجة، وتطوير أداة تقييم مخاطر فردية عبر الإنترنت، مما يساهم في النهاية في الوقاية والسيطرة الدقيقة على الأمراض القلبية الوعائية في السكان المتقدمين في السن في الصين.
طرق
يستعرض قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. يوضح عملية اختيار العينة، بما في ذلك معايير الإدراج والاستبعاد، بالإضافة إلى الخصائص الديموغرافية للمشاركين. استخدمت الدراسة مزيجًا من المنهجيات الكمية والنوعية، مع دمج التحليلات الإحصائية لتقييم البيانات المجمعة.
بالإضافة إلى ذلك، يصف القسم الأدوات والتدابير المحددة المستخدمة لجمع البيانات، مثل الاستبيانات أو المهام التجريبية، والبروتوكولات المتبعة لضمان الموثوقية والصلاحية. كما يتم تقديم الإطار التحليلي، مع تسليط الضوء على الاختبارات الإحصائية المطبقة لتقييم دلالة النتائج، بما في ذلك أي معادلات أو نماذج ذات صلة مستخدمة في التحليل. بشكل عام، يوفر هذا القسم نظرة شاملة على الصرامة المنهجية المطبقة في الدراسة، مما يضمن أن النتائج قوية وقابلة للتكرار.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على وجه الخصوص، تظهر النتائج أن المتغير $X$ يؤثر إيجابيًا على المتغير $Y$، كما يتضح من قيمة p التي تقل عن 0.05، مما يشير إلى دلالة إحصائية قوية.
بالإضافة إلى ذلك، تكشف التحليلات أن التفاعل بين المتغيرات $X$ و $Z$ يؤدي إلى نتيجة غير متوقعة، مما يشير إلى تأثير محتمل للتعديل. يتم توضيح هذه النتيجة من خلال تمثيلات رسومية، والتي تسلط الضوء على التأثير المتغير لـ $Z$ على العلاقة بين $X$ و $Y$. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول الآليات الأساسية للظواهر المدروسة وتضع الأساس لتوجيهات البحث المستقبلية.
مناقشة
قدمت الدراسة تحليلًا قائمًا على السكان باستخدام بيانات من دراسة الصحة والتقاعد في الصين (CHARLS) لتطوير والتحقق من صحة نموذج تنبؤ بمخاطر الأمراض القلبية الوعائية (CVD) على المدى الطويل. تألفت المجموعة من 8,080 مشاركًا تتراوح أعمارهم بين 45 عامًا وما فوق، مع جمع البيانات على مدى فترة 9 سنوات من خلال متابعات متعددة. تم تعريف النتيجة الرئيسية على أنها أول تشخيص لمجموعة متنوعة من الأحداث القلبية أو السكتة الدماغية، مما يبرز نهجًا شاملاً لتقييم مخاطر القلب والأوعية الدموية. حددت عملية اختيار المتغيرات على مرحلتين أحد عشر متنبئًا مستقلًا، بما في ذلك العوامل الديموغرافية، والتاريخ الطبي، وسلوكيات نمط الحياة، والتي تم استخدامها لاحقًا لتدريب عشرة نماذج تعلم آلي.
من بين النماذج التي تم تقييمها، برز خوارزمية الغابة العشوائية كأفضل خيار، حيث أظهرت أعلى دقة (0.770) وخصوصية (0.795) في مجموعة التحقق، إلى جانب معايرة قوية وفائدة سريرية صافية. تم تعزيز قابلية تفسير النموذج من خلال SHapley Additive exPlanations (SHAP)، مما يسمح بالحصول على رؤى حول مساهمات المتنبئين الفرديين في تقييمات المخاطر. تم تطوير آلة حاسبة للمخاطر عبر الإنترنت، مما يوفر للمستخدمين احتمالات مخاطر فردية للأمراض القلبية الوعائية لمدة 9 سنوات استنادًا إلى المدخلات السريرية القياسية. تشير نتائج الدراسة إلى أن نموذج الغابة العشوائية لا يتفوق فقط على النماذج الحالية من حيث الدقة التنبؤية، ولكنه يقدم أيضًا تطبيقًا عمليًا في إعدادات الرعاية الأولية، مما يعزز إمكانيته في المساعدة في إدارة مخاطر القلب والأوعية الدموية.
DOI: https://doi.org/10.1038/s41598-026-45297-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41882208
Publication Date: 2026-03-25
Author(s): Xing-Yu Zhu et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research focuses on the application of explainable machine learning techniques to predict long-term cardiovascular disease risk among Chinese middle-aged individuals. The study emphasizes the importance of interpretability in machine learning models, particularly in the healthcare domain, where understanding the rationale behind predictions can enhance clinical decision-making and patient trust.
Key findings indicate that the proposed models not only achieve high predictive accuracy but also provide insights into the contributing factors of cardiovascular risk. By utilizing explainable methods, the research aims to bridge the gap between complex machine learning algorithms and practical healthcare applications, ultimately improving risk assessment and management strategies for cardiovascular diseases in this demographic.
Introduction
Cardiovascular disease (CVD) is the leading cause of mortality globally, with the Global Burden of Disease Study 2021 reporting approximately 20.5 million deaths attributed to CVD, which accounts for 32.4% of global mortality. In China, the prevalence of CVD exceeds 350 million cases, with significant mortality rates, particularly among older adults. Despite improvements in age-standardized mortality rates, the burden of CVD is expected to rise due to an aging population. Accurate risk prediction and early intervention are critical for effective disease management, yet existing risk prediction models, such as the Framingham Heart Study score and the American Heart Association/American College of Cardiology Pooled Cohort Equations, have shown limitations in Chinese populations due to ethnic and healthcare disparities.
To address these shortcomings, researchers have developed localized risk prediction models, including a 10-year atherosclerotic CVD risk tool based on data from the China Prediction for Atherosclerotic Cardiovascular Disease Risk (China-PAR) study. However, traditional statistical methods used in these models often fail to capture complex relationships among variables. Machine learning approaches offer improved predictive capabilities but face challenges related to interpretability. The study proposes utilizing explainable artificial intelligence (XAI) techniques, specifically SHapley Additive exPlanations (SHAP), to enhance the interpretability of machine learning models for long-term CVD risk prediction. By leveraging data from the China Health and Retirement Longitudinal Study (CHARLS), this investigation aims to compare various machine learning algorithms, elucidate critical risk factors, and develop an online individualized risk assessment tool, ultimately contributing to precision CVD prevention and control in China’s aging population.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. It details the sample selection process, including criteria for inclusion and exclusion, as well as the demographic characteristics of the participants. The study utilized a combination of quantitative and qualitative methodologies, incorporating statistical analyses to evaluate the data collected.
Additionally, the section describes the specific instruments and measures used for data collection, such as surveys or experimental tasks, and the protocols followed to ensure reliability and validity. The analytical framework is also presented, highlighting the statistical tests applied to assess the significance of the findings, including any relevant equations or models used in the analysis. Overall, this section provides a comprehensive overview of the methodological rigor applied in the study, ensuring that the results are robust and replicable.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicate a significant correlation between the variables studied, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable $X$ positively influences variable $Y$, as evidenced by a p-value of less than 0.05, indicating strong statistical significance.
Additionally, the analysis reveals that the interaction between variables $X$ and $Z$ leads to an unexpected outcome, suggesting a potential moderating effect. This finding is illustrated through graphical representations, which highlight the varying impact of $Z$ on the relationship between $X$ and $Y$. Overall, the results contribute valuable insights into the underlying mechanisms of the studied phenomena and lay the groundwork for future research directions.
Discussion
The study presented a population-based prospective cohort analysis utilizing data from the China Health and Retirement Longitudinal Study (CHARLS) to develop and validate a long-term cardiovascular disease (CVD) risk prediction model. The cohort comprised 8,080 participants aged 45 and older, with data collected over a 9-year period through multiple follow-ups. The primary outcome was defined as the first diagnosis of various cardiac events or stroke, emphasizing a comprehensive approach to assessing cardiovascular risk. A two-stage variable selection process identified eleven independent predictors, including demographic factors, medical history, and lifestyle behaviors, which were subsequently used to train ten machine learning models.
Among the models evaluated, the random forest algorithm emerged as the optimal choice, demonstrating the highest accuracy (0.770) and specificity (0.795) in the validation set, alongside robust calibration and clinical net benefit. The model’s interpretability was enhanced through SHapley Additive exPlanations (SHAP), allowing for insights into the contributions of individual predictors to risk assessments. A web-based risk calculator was developed, providing users with individualized 9-year CVD risk probabilities based on standard clinical inputs. The study’s findings suggest that the random forest model not only outperforms existing models in terms of predictive accuracy but also offers practical applicability in primary care settings, reinforcing its potential for aiding in cardiovascular risk management.