DOI: https://doi.org/10.1136/bmjdh-2026-000065
PMID: https://pubmed.ncbi.nlm.nih.gov/42712279
تاريخ النشر: 2026-03-01
المؤلف: Haowei Qiu وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تستكشف هذه الدراسة تطبيق نماذج التعلم الآلي المختلفة للتنبؤ بخطر متلازمة الأيض (MetS) في سكان كيبيك، باستخدام بيانات من المسح الصحي المجتمعي الكندي (2015-2018) الذي شمل 42,279 مشاركًا. وفقًا لإرشادات MI-CLAIM، استخدمت الدراسة أخذ عينات جزئية لإنشاء مجموعة بيانات متوازنة، حيث تم تحليل 7,866 مشاركًا مصنفين إلى مجموعات عالية المخاطر ومنخفضة المخاطر. تم تقييم سبعة نماذج للتعلم الآلي، بما في ذلك الانحدار اللوجستي، XGBoost، LightGBM، TabNet، NODE، 1D-CNN، وCocktails التنظيمية. تم استخدام مقاييس الأداء مثل الدقة، الدقة الإيجابية، الاسترجاع، F1-score، AUROC، وAUPRC للتقييم، بينما قدم تحليل SHAP رؤى حول المتنبئين الرئيسيين لخطر MetS.
كشفت النتائج أن XGBoost وNODE أظهرا أداءً متفوقًا، حيث حقق XGBoost أعلى دقة بنسبة 80.4% وAUROC بنسبة 84.1%، بينما سجل NODE أعلى دقة إيجابية بنسبة 80.1% وAUPRC بنسبة 86.0%. كانت الميزات الرئيسية التي تؤثر على توقعات المخاطر تشمل العمر، الصحة المدركة، والجنس، مما يتماشى مع الأدلة السريرية الموجودة. تستنتج الدراسة أن التعلم الآلي يمكن أن يتنبأ بفعالية بخطر MetS باستخدام بيانات الصحة المبلغ عنها ذاتيًا، مما يدعم تطوير إطار عمل فعال من حيث الموارد للكشف المبكر عن الأفراد ذوي المخاطر العالية. يجب أن تركز الأبحاث المستقبلية على التحقق من صحة التوقعات ودمج هذه النماذج التنبؤية في مبادرات الصحة العامة وإعدادات الرعاية الأولية.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية الحرجة للصحة العامة المتعلقة بمتلازمة الأيض (MetS)، وهي مجموعة من الاضطرابات الأيضية بما في ذلك ارتفاع ضغط الدم، ارتفاع سكر الدم، اضطرابات الدهون، والسمنة، والتي تزيد بشكل كبير من خطر حالات خطيرة مثل أمراض القلب والأوعية الدموية ومرض السكري من النوع 2. إن انتشار MetS في كندا مرتفع بشكل ملحوظ، حيث يؤثر على واحد من كل خمسة أفراد، وهو قابل للتجنب إلى حد كبير من خلال تعديلات نمط الحياة. لقد استفادت التطورات الأخيرة في توقع المخاطر لـ MetS من تقنيات التعلم الآلي، حيث أظهرت الدراسات تحسين القدرات التنبؤية من خلال استخدام ميزات الحالة التفاضلية ومجموعة متنوعة من الخوارزميات، بما في ذلك الانحدار اللوجستي وطرق التجميع.
على الرغم من التقدم المحرز، هناك فجوة ملحوظة في تطبيق التعلم الآلي لتصنيف مخاطر MetS باستخدام بيانات غير غازية ومبلغ عنها ذاتيًا. تهدف هذه الدراسة إلى سد تلك الفجوة من خلال استخدام مجموعة بيانات المسح الصحي المجتمعي الكندي (CCHS) لتقييم كل من الطرق التقليدية وطرق التعلم العميق لتوقع مخاطر MetS، تحديدًا ضمن سكان كيبيك. ستتضمن الدراسة أيضًا تقنيات الذكاء الاصطناعي القابلة للتفسير لتعزيز قابلية تفسير النموذج، مما يوضح مساهمات الميزات المختلفة في خطر MetS. في النهاية، الهدف هو تطوير أداة فحص فعالة من حيث الموارد يمكن أن تسهل الكشف المبكر وتوفر رؤى لمبادرات الصحة العامة في كيبيك.
الطرق
في هذه الدراسة، كانت المنهجية لتحديد الأفراد المعرضين لخطر مرتفع لمتلازمة الأيض (MetS) تعتمد على معايير تم تعديلها من قبل Dobrowolski وآخرين. تم تصنيف المشاركين على أنهم ذوي مخاطر عالية إذا كانوا يعانون من زيادة الوزن (مؤشر كتلة الجسم ≥ 25 كجم/م²) أو السمنة (مؤشر كتلة الجسم ≥ 30 كجم/م²) وأظهروا على الأقل حالتين من الحالات التالية: ارتفاع ضغط الدم، ارتفاع سكر الدم، واضطرابات الدهون. كانت هذه التصنيف الأوسع تهدف إلى تضمين مجموعة سكانية أكثر شمولاً معرضة للخطر. استخدمت الدراسة بيانات تم الإبلاغ عنها ذاتيًا لتقييم ارتفاع سكر الدم، ارتفاع ضغط الدم، واضطرابات الدهون، مع أسئلة محددة بشأن حالة السكري، ضغط الدم، ومستويات الكوليسترول، بالإضافة إلى استخدام الأدوية لإدارة هذه الحالات.
أسفرت التحليلات عن تحديد 4,856 فردًا تم تصنيفهم على أنهم ذوي مخاطر عالية لمتلازمة الأيض، مما يمثل حوالي 11.49% من إجمالي مجموعة البيانات، والتي شملت 37,423 سجل منخفض المخاطر. يبرز هذا التصنيف أهمية النظر في كل من زيادة الوزن والسمنة في تقييم الصحة الأيضية، مما يتماشى مع النتائج السابقة التي تربط الصحة الأيضية بمؤشر كتلة الجسم ومحيط الخصر.
النتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. يسلط الضوء على النتائج الهامة التي تدعم الفرضيات المطروحة في الدراسة. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد التحقيق، حيث كشفت التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات رسومية للبيانات، مثل الرسوم البيانية والمخططات، التي توضح الاتجاهات والعلاقات بين المتغيرات. تعزز هذه الوسائل البصرية من فهم النتائج وتوفر تصويرًا واضحًا للظواهر الملاحظة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول سؤال البحث، مما يعزز الإطار النظري الذي تم تأسيسه في المقدمة.
المناقشة
في هذه الدراسة، استكشفنا تطبيق خوارزميات التعلم الآلي للتنبؤ بخطر متلازمة الأيض (MetS) في سكان كيبيك باستخدام بيانات من المسح الصحي المجتمعي الكندي (CCHS) الذي يمتد من 2015 إلى 2018. تشير نتائجنا إلى أن كل من طرق التعلم الآلي التقليدية، وخاصة XGBoost، وطرق التعلم العميق، مثل مجموعات القرارات غير المدركة (NODE)، أظهرت أداءً تنافسيًا في التنبؤ عبر مقاييس مختلفة. حقق XGBoost بشكل خاص أعلى دقة ومنطقة تحت منحنى التشغيل (AUROC)، بينما تفوق NODE في الدقة ومنطقة تحت منحنى الدقة والاسترجاع (AUPRC). تؤكد هذه الدراسة على إمكانية استخدام بيانات المسح الصحي المبلغ عنها ذاتيًا لتوقع مخاطر MetS، وهو أمر مهم نظرًا للاعتماد المحدود على مجموعات البيانات السريرية المتخصصة في الدراسات السابقة.
علاوة على ذلك، حدد تحليل القابلية للتفسير لدينا، باستخدام SHAP (SHapley Additive exPlanations)، المتنبئين الرئيسيين لخطر MetS، حيث برز العمر، الصحة المدركة، والجنس كأكثر العوامل تأثيرًا عبر جميع النماذج. يتماشى هذا مع الأدبيات الطبية المعروفة ويبرز الإمكانية للتعلم الآلي في التقاط أنماط المخاطر المعقدة. تشير الآثار العملية لنتائجنا إلى تطوير أداة فحص فعالة من حيث الموارد يمكن أن تعطي الأولوية للأفراد ذوي المخاطر العالية لمزيد من الاختبارات، مما يعزز استراتيجيات الصحة العامة في كيبيك. ومع ذلك، فإن القيود مثل الطبيعة العرضية للبيانات والاعتماد على التدابير المبلغ عنها ذاتيًا تتطلب الحذر وتقترح طرقًا للبحث المستقبلي، بما في ذلك التحقق من الصحة المستقبلية ودمجها في ممارسات الرعاية الأولية.
DOI: https://doi.org/10.1136/bmjdh-2026-000065
PMID: https://pubmed.ncbi.nlm.nih.gov/42712279
Publication Date: 2026-03-01
Author(s): Haowei Qiu et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study investigates the application of various machine learning models to predict the risk of metabolic syndrome (MetS) in the Quebec population, utilizing data from the Canadian Community Health Survey (2015-2018) involving 42,279 participants. Following the MI-CLAIM guidelines, the research employed partial sampling to create a balanced dataset, ultimately analyzing 7,866 participants categorized into high-risk and low-risk groups. Seven machine learning models were evaluated, including Logistic Regression, XGBoost, LightGBM, TabNet, NODE, 1D-CNN, and Regularisation Cocktails. Performance metrics such as accuracy, precision, recall, F1-score, AUROC, and AUPRC were used for assessment, while SHAP analysis provided insights into the key predictors of MetS risk.
The findings revealed that XGBoost and NODE exhibited superior performance, with XGBoost achieving the highest accuracy of 80.4% and AUROC of 84.1%, while NODE recorded the highest precision of 80.1% and AUPRC of 86.0%. Key features influencing risk predictions included age, perceived health, and sex, aligning with existing clinical evidence. The study concludes that machine learning can effectively predict MetS risk using self-reported health data, supporting the development of a resource-efficient screening framework for early identification of high-risk individuals. Future research should focus on prospective validation and the integration of these predictive models into public health initiatives and primary care settings.
Introduction
The introduction of this research paper addresses the critical public health issue of metabolic syndrome (MetS), a cluster of metabolic disorders including hypertension, hyperglycaemia, dyslipidaemia, and obesity, which significantly heightens the risk of serious conditions such as cardiovascular disease and type 2 diabetes. The prevalence of MetS in Canada is notably high, affecting one in five individuals, and it is largely preventable through lifestyle modifications. Recent advancements in risk prediction for MetS have leveraged machine learning techniques, with studies demonstrating improved predictive capabilities through the use of differential state features and various algorithms, including logistic regression and ensemble methods.
Despite the progress made, a notable gap exists in the application of machine learning for MetS risk stratification using non-invasive, self-reported data. This study aims to fill that gap by utilizing the Canadian Community Health Survey (CCHS) dataset to evaluate both traditional and deep learning methods for predicting MetS risk, specifically within the Quebec population. The research will also incorporate explainable AI techniques to enhance model interpretability, thereby elucidating the contributions of various features to MetS risk. Ultimately, the goal is to develop a resource-efficient screening tool that can facilitate early detection and provide insights for public health initiatives in Quebec.
Methods
In this study, the methodology for identifying individuals at high risk for Metabolic Syndrome (MetS) was based on criteria adapted from Dobrowolski et al. Participants were classified as high risk if they were overweight (BMI ≥ 25 kg/m²) or obese (BMI ≥ 30 kg/m²) and exhibited at least two of the following conditions: hypertension, hyperglycaemia, and dyslipidaemia. This broader classification aimed to encompass a more comprehensive at-risk population. The study utilized self-reported data to assess hyperglycaemia, hypertension, and dyslipidaemia, with specific questions regarding diabetes status, blood pressure, and cholesterol levels, as well as medication usage for managing these conditions.
The analysis resulted in the identification of 4,856 individuals classified as high risk for MetS, representing approximately 11.49% of the total dataset, which included 37,423 low-risk records. This classification underscores the importance of considering both overweight and obesity in the assessment of metabolic health, aligning with previous findings that link metabolic health to BMI and waist circumference.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. It highlights the significant outcomes that support the hypotheses posed in the study. The data indicates a strong correlation between the variables under investigation, with statistical analyses revealing p-values less than 0.05, suggesting that the results are statistically significant.
Additionally, the section includes graphical representations of the data, such as plots and charts, which illustrate trends and relationships among the variables. These visual aids enhance the understanding of the results and provide a clear depiction of the observed phenomena. Overall, the findings contribute valuable insights into the research question, reinforcing the theoretical framework established in the introduction.
Discussion
In this study, we explored the application of machine learning algorithms to predict metabolic syndrome (MetS) risk in the Quebec population using data from the Canadian Community Health Survey (CCHS) spanning 2015-2018. Our findings indicate that both classical machine learning methods, particularly XGBoost, and deep learning approaches, such as Neural Oblivious Decision Ensembles (NODE), demonstrated competitive predictive performance across various metrics. Specifically, XGBoost achieved the highest accuracy and area under the receiver operating characteristic curve (AUROC), while NODE excelled in precision and area under the precision-recall curve (AUPRC). This research underscores the feasibility of utilizing self-reported health survey data for MetS risk prediction, which is significant given the limited reliance on specialized clinical datasets in previous studies.
Furthermore, our explainability analysis, utilizing SHAP (SHapley Additive exPlanations), identified key predictors of MetS risk, with age, perceived health, and sex emerging as the most influential factors across all models. This aligns with established medical literature and highlights the potential for machine learning to capture complex risk patterns. The practical implications of our findings suggest the development of a resource-efficient screening tool that can prioritize high-risk individuals for further testing, thereby enhancing public health strategies in Quebec. However, limitations such as the cross-sectional nature of the data and reliance on self-reported measures warrant caution and suggest avenues for future research, including prospective validation and integration into primary care practices.