DOI: https://doi.org/10.3389/fcimb.2026.1749499
PMID: https://pubmed.ncbi.nlm.nih.gov/41716459
تاريخ النشر: 2026-02-04
المؤلف: Tingting Li وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
**نظرة عامة**
لا تزال السل (TB) يشكل تهديدًا كبيرًا للصحة العامة العالمية، مع حوالي 10 ملايين حالة جديدة و1.4 مليون وفاة يتم الإبلاغ عنها سنويًا. لتعزيز فعالية خدمات تدخل الصيادلة، طورت هذه الدراسة نموذجًا للتعلم الآلي يهدف إلى التنبؤ بتعيين مرضى السل إلى مجموعات التدخل أو المراقبة عند دخولهم المستشفى. تم إجراء تحليل استعادي لـ 467 مريضًا بالسل، ومن خلال تقنيات زيادة البيانات، تم توسيع مجموعة البيانات إلى 1,999 عينة. استخدم النموذج 122 ميزة سريرية محسّنة وطبق بنية تجميع متعددة المستويات مع تحسين المعلمات، محققًا دقة بنسبة 92.25% وAUC-ROC بنسبة 96.96%.
تشير النتائج إلى أن أداء النموذج قد تحسن بشكل كبير من خلال استراتيجيات تحسين منهجية، بما في ذلك زيادة البيانات وهندسة الميزات الشاملة. كانت مؤشرات التنبؤ الرئيسية التي تم تحديدها هي درجة الالتهاب، مؤشر توازن المناعة، ونسبة CD4/CD8، مما يبرز أهمية التقييم السريري متعدد الأبعاد. بالإضافة إلى ذلك، كشفت التحليلات النسخية لمجموعات بيانات GEO المتاحة للجمهور عن 150 جينًا معبرًا عنه بشكل مختلف مرتبطًا باستجابة المناعة ومسارات الالتهاب، مما يوفر سياقًا بيولوجيًا للتنبؤات السريرية. توضح هذه الدراسة إمكانيات تقنيات التعلم الآلي المتقدمة لتعزيز نماذج التنبؤ السريرية، مما يوفر أداة قوية للتعرف المبكر على مرضى السل الذين قد يستفيدون من تدخلات الصيادلة المستهدفة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحدي المستمر للصحة العامة العالمية الذي يسببه السل (TB)، والذي لا يزال أحد الأسباب الرئيسية للوفيات الناتجة عن الأمراض المعدية، مع حوالي 10 ملايين حالة و1.4 مليون وفاة تم الإبلاغ عنها من قبل منظمة الصحة العالمية في سنة حديثة. على الرغم من توفر أنظمة علاجية فعالة، فإن التباين الكبير في استجابة المرضى يعقد السيطرة على السل، مدفوعًا بعوامل مثل علم الوراثة المناعي للمضيف، والسلالات المقاومة للأدوية، والأمراض المصاحبة مثل فيروس نقص المناعة البشرية والسكري. يبرز هذا التباين عدم كفاية نهج العلاج الموحد والحاجة الملحة لاستراتيجيات الطب الشخصي التي تستفيد من البيانات السريرية والميكروبيولوجية والمناعية الخاصة بالمرضى.
تناقش الورقة الإمكانيات التحولية لدمج البيانات السريرية عالية الإنتاجية مع التحليل النسخي المتقدم لتعزيز فهم الفيزيولوجيا المرضية للسل وتنوع المرضى. من الجدير بالذكر أن تحديد توقيعات استجابة المناعة المتميزة، مثل توقيع الإنترفيرون من النوع الأول، يرتبط بنتائج العلاج، مما يمهد الطريق للطب الدقيق. علاوة على ذلك، تسهل التقدمات في الذكاء الاصطناعي، وخاصة التعلم الآلي (ML) والتعلم العميق (DL)، تحليل مجموعات البيانات المعقدة، مما يمكّن من تطوير نماذج تنبؤية يمكن أن تحدد المرضى المعرضين لخطر النتائج السلبية. تهدف الدراسة إلى إنشاء وإثبات إطار تنبؤي لتقييم فوائد تدخلات الصيادلة في إدارة السل من خلال دمج المتغيرات السريرية وملفات النسخ للمضيف، باستخدام كل من خوارزميات ML التقليدية وهياكل DL المتطورة. الهدف النهائي هو إنتاج أداة مدفوعة بالبيانات تعزز التعرف المبكر على المرضى المعرضين للخطر، مما يحسن معدلات نجاح العلاج ويقلل من العبء العالمي للسل.
طرق
يستعرض قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم استخدام التحليلات الإحصائية لتقييم البيانات المجمعة من تجارب مختلفة. شملت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج ذات الصلة.
شمل جمع البيانات استخدام أدوات موحدة لضمان الموثوقية والصلاحية، مع التركيز على تقليل التحيز. تم تطبيق اختبارات إحصائية، مثل ANOVA وتحليل الانحدار، لتقييم دلالة النتائج. كما يتناول القسم تحديد حجم العينة، لضمان قوة كافية لاكتشاف الفروق ذات الدلالة، ويصف الاعتبارات الأخلاقية التي تم أخذها في الاعتبار خلال عملية البحث. بشكل عام، كانت الطرق المستخدمة صارمة وتهدف إلى إنتاج نتائج قوية وقابلة للتكرار.
نتائج
تظهر نتائج الدراسة تقدمًا كبيرًا تم تحقيقه من خلال تنفيذ نموذج تجميع متعدد المستويات محسّن. حقق هذا النموذج دقة بنسبة 92.25% (95% CI: 89.1-95.4%) وAUC-ROC بنسبة 96.96% (95% CI: 94.8-99.1%) على مجموعة الاختبار المحجوزة، مما يعكس تحسينًا ملحوظًا بمقدار 36.25 نقطة مئوية وزيادة نسبتها 64.3% مقارنة بالمعايير السابقة. تضمن التجميع 43 نموذجًا أساسيًا واستخدم عتبة قرار محسّنة قدرها 0.479، مما أظهر مقاييس أداء متوازنة، بما في ذلك الحساسية (92.0%)، الخصوصية (92.5%)، الدقة (92.5%)، ودرجة F1 قدرها 0.9199.
أشارت التحليلات الإضافية إلى أن زيادة البيانات، التي وسعت مجموعة البيانات بنسبة 328.1% إلى 1,999 عينة، كانت المساهم الأكثر أهمية في تحسين الأداء (+13.25 نقطة مئوية)، تليها استراتيجيات التعلم التجميعي (+12.67 نقطة مئوية) وهندسة الميزات (+5.25 نقطة مئوية). بالإضافة إلى ذلك، أفادت الدراسة بتقليص كبير في مدة الإقامة في المستشفى للمرضى الذين تلقوا تدخلات من الصيادلة (51.2 ± 17.9 يوم) مقارنة بمجموعة المراقبة (55.3 ± 16.1 يوم، P = 0.002)، مما يدعم استخدام تعيين مجموعة التدخل كهدف تنبؤي لتحديد المرضى الذين يمكن أن يستفيدوا من خدمات الصيادلة. كشفت تحليل التعبير الجيني التفاضلي عن 150 جينًا معبرًا عنه بشكل مختلف (FDR < 0.05)، مع توزيع متساوٍ للجينات المعبرة عن زيادة وانخفاض، مما يبرز تأثير التدخل. تشير توافق أداء التحقق المتقاطع (AUC: 0.9420) مع نتائج مجموعة الاختبار إلى قدرات تعميم ممتازة مع الحد الأدنى من الإفراط في التخصيص.
مناقشة
أجرت الدراسة تحليلًا استعاديًا لمجموعة من 467 مريضًا بالسل النشط (TB) في مستشفى شيآن للصدر، مع التركيز على تأثير تدخل الصيادلة على نتائج العلاج. تم تقسيم المجموعة إلى مجموعة تدخل (n=218) تتلقى خدمات صيدلانية شاملة ومجموعة مراقبة (n=249) تتلقى رعاية قياسية. أشارت النتائج الرئيسية إلى أن المرضى في مجموعة التدخل شهدوا مدة إقامة في المستشفى أقصر بشكل ملحوظ (51.2 يوم) مقارنة بمجموعة المراقبة (55.3 يوم)، مما يمثل تقليصًا بنسبة 7.4% في مدة الاستشفاء (P = 0.002). بالإضافة إلى ذلك، حدد تحليل التعبير الجيني التفاضلي 150 جينًا مرتبطًا بفوائد تدخل الصيادلة، مما يبرز التغيرات النسخية الكبيرة.
أظهرت نماذج التعلم الآلي التي تم تطويرها في هذه الدراسة أداءً تنبؤيًا ملحوظًا لتحديد المرضى الذين من المحتمل أن يستفيدوا من تدخل الصيادلة. حقق النموذج التجميعي النهائي دقة بنسبة 92.25% ومنطقة تحت المنحنى (AUC) بنسبة 96.96%، مما يمثل تحسينًا كبيرًا مقارنة بالنماذج الأساسية (دقة 56.4% وAUC 59.9%). تم عزو هذا التحسين إلى استراتيجية تحسين منهجية تضمنت زيادة البيانات، وهندسة الميزات الشاملة، ونهج تجميع متعدد المستويات متطور. تؤكد الدراسة على إمكانيات التعلم الآلي في الإعدادات السريرية لتحسين تخصيص العلاج وتحسين نتائج المرضى في إدارة السل، بينما توفر أيضًا إطارًا قويًا للبحث المستقبلي في هذا المجال.
DOI: https://doi.org/10.3389/fcimb.2026.1749499
PMID: https://pubmed.ncbi.nlm.nih.gov/41716459
Publication Date: 2026-02-04
Author(s): Tingting Li et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
**Overview**
Tuberculosis (TB) continues to pose a significant global health threat, with approximately 10 million new cases and 1.4 million deaths reported annually. To enhance the efficacy of pharmacist intervention services, this study developed a machine learning model aimed at predicting the assignment of TB patients to intervention or control groups upon hospital admission. A retrospective analysis of 467 TB patients was conducted, and through data augmentation techniques, the dataset was expanded to 1,999 samples. The model utilized 122 optimized clinical features and employed a multi-level ensemble architecture with hyperparameter optimization, achieving an accuracy of 92.25% and an AUC-ROC of 96.96%.
The findings indicate that the model’s performance was significantly improved through systematic optimization strategies, including data augmentation and extensive feature engineering. Key predictive indicators identified were the inflammation score, immune balance index, and CD4/CD8 ratio, highlighting the importance of a multidimensional clinical assessment. Additionally, transcriptomic analysis of publicly available GEO datasets revealed 150 differentially expressed genes associated with immune response and inflammation pathways, providing biological context for the clinical predictions. This study illustrates the potential of advanced machine learning techniques to enhance clinical prediction models, offering a robust tool for early identification of TB patients who may benefit from targeted pharmacist interventions.
Introduction
The introduction of the research paper highlights the ongoing global public health challenge posed by tuberculosis (TB), which remains one of the leading causes of mortality from infectious diseases, with approximately 10 million cases and 1.4 million deaths reported by the World Health Organization in a recent year. Despite the availability of effective drug regimens, significant variability in patient responses complicates TB control, driven by factors such as host immunogenetics, drug-resistant strains, and co-morbidities like HIV and diabetes. This variability emphasizes the inadequacy of a one-size-fits-all treatment approach and the pressing need for personalized medicine strategies that leverage patient-specific clinical, microbiological, and immunological data.
The paper discusses the transformative potential of integrating high-throughput clinical data with advanced transcriptomic profiling to enhance understanding of TB pathophysiology and patient heterogeneity. Notably, the identification of distinct immune response signatures, such as the Type I Interferon signature, correlates with treatment outcomes, paving the way for precision medicine. Furthermore, advancements in artificial intelligence, particularly machine learning (ML) and deep learning (DL), facilitate the analysis of complex datasets, enabling the development of predictive models that can identify patients at high risk for adverse outcomes. The study aims to create and validate a predictive framework for assessing the benefits of pharmacist interventions in TB management by integrating clinical variables and host transcriptomic profiles, employing both traditional ML algorithms and cutting-edge DL architectures. The ultimate goal is to produce a data-driven tool that enhances early identification of patients at risk, thereby improving treatment success rates and reducing the global burden of TB.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled trials, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments to ensure reliability and validity, with a focus on minimizing bias. Statistical tests, such as ANOVA and regression analysis, were applied to assess the significance of the findings. The section also details the sample size determination, ensuring adequate power to detect meaningful differences, and describes the ethical considerations taken into account during the research process. Overall, the methods employed were rigorous and aimed at producing robust and replicable results.
Results
The results of the study demonstrate significant advancements achieved through the implementation of an optimized multi-level stacking ensemble model. This model attained an accuracy of 92.25% (95% CI: 89.1-95.4%) and an AUC-ROC of 96.96% (95% CI: 94.8-99.1%) on the hold-out test set, reflecting a remarkable improvement of 36.25 percentage points and a 64.3% relative enhancement compared to previous benchmarks. The ensemble, consisting of 43 base models and utilizing an optimized decision threshold of 0.479, exhibited balanced performance metrics, including sensitivity (92.0%), specificity (92.5%), precision (92.5%), and an F1-score of 0.9199.
Further analysis indicated that data augmentation, which expanded the dataset by 328.1% to 1,999 samples, was the most significant contributor to performance gains (+13.25 percentage points), followed by ensemble learning strategies (+12.67 percentage points) and feature engineering (+5.25 percentage points). Additionally, the study reported a significant reduction in hospital stay duration for patients receiving pharmacist interventions (51.2 ± 17.9 days) compared to the control group (55.3 ± 16.1 days, P = 0.002), supporting the use of intervention group assignment as a predictive target for identifying patients who could benefit from pharmacist services. Differential gene expression analysis revealed 150 significantly differentially expressed genes (FDR < 0.05), with an equal distribution of up-regulated and down-regulated genes, further underscoring the intervention's impact. The alignment of cross-validation performance (AUC: 0.9420) with test set results suggests excellent generalization capabilities with minimal overfitting.
Discussion
The study conducted a retrospective cohort analysis of 467 patients with active tuberculosis (TB) at Xi’an Chest Hospital, focusing on the impact of pharmacist intervention on treatment outcomes. The cohort was divided into an intervention group (n=218) receiving comprehensive pharmacist services and a control group (n=249) receiving standard care. Key findings indicated that patients in the intervention group experienced a significantly shorter mean hospital stay (51.2 days) compared to the control group (55.3 days), representing a 7.4% reduction in hospitalization duration (P = 0.002). Additionally, differential gene expression analysis identified 150 genes associated with the benefits of pharmacist intervention, highlighting substantial transcriptomic alterations.
The machine learning models developed in this study demonstrated remarkable predictive performance for identifying patients likely to benefit from pharmacist intervention. The ultimate ensemble model achieved an accuracy of 92.25% and an area under the curve (AUC) of 96.96%, marking a significant improvement from baseline models (accuracy of 56.4% and AUC of 59.9%). This enhancement was attributed to a systematic optimization strategy that included data augmentation, extensive feature engineering, and a sophisticated multi-level ensemble approach. The study underscores the potential of machine learning in clinical settings to optimize treatment allocation and improve patient outcomes in TB management, while also providing a robust framework for future research in this area.