DOI: https://doi.org/10.3389/fendo.2025.1614657
PMID: https://pubmed.ncbi.nlm.nih.gov/40538804
تاريخ النشر: 2025-06-05
المؤلف: Meng Sun وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تبحث هذه الدراسة في اعتلال الأعصاب المحيطية السكري (DPN)، وهو مضاعف شائع لمرض السكري من النوع 2 (T2DM) يؤثر سلبًا على جودة حياة المرضى ويزيد من تكاليف الرعاية الصحية. قامت الدراسة بتحليل بيانات من 1,544 مريضًا مصابًا بالسكري، مقسمة إلى مجموعات تدريب (n = 1,082) واختبار (n = 462). تم إجراء اختيار الميزات باستخدام خوارزميات بوروتا وLASSO، مما أسفر عن ثمانية متنبئين رئيسيين من مجموعة تضم 23 متغيرًا، بما في ذلك مدة السكري، مستويات حمض اليوريك، HbA1c، وحالة التدخين. تم تقييم تسعة نماذج تعلم آلي من حيث قدراتها التنبؤية، حيث حقق تعزيز التدرج العشوائي (SGBT) أعلى أداء (AUC التدريب: 0.933؛ AUC الاختبار: 0.811). أكدت تحليلات شابلية الإضافات التفسيرية (SHAP) على أهمية مدة السكري وHbA1c.
تخلص الدراسة إلى أن نموذج SGBT يعمل كأداة تنبؤية قوية للكشف المبكر عن DPN، مما يوفر أساسًا علميًا لتحسين استراتيجيات الوقاية والإدارة. يجب أن تهدف الأبحاث المستقبلية إلى التحقق من فعالية النموذج، وتعزيز دقته، وتسهيل دمجه في الممارسة السريرية لتحسين الرعاية الشخصية والنتائج لمرضى DPN.
مقدمة
تسلط المقدمة الضوء على الزيادة المقلقة في انتشار السكري عالميًا، حيث يُقدر أن 537 مليون بالغ تأثروا في عام 2021، ومن المتوقع أن يصل العدد إلى 783 مليون بحلول عام 2045. يتم تحديد اعتلال الأعصاب المحيطية السكري (DPN) كمضاعفة ميكروعية هامة لمرض السكري من النوع 2، مما يؤدي إلى زيادة مخاطر قرح القدم السكري، والبتر، وارتفاع معدلات الوفيات. نظرًا للتداعيات الحرجة لـ DPN على صحة المرضى وجودة حياتهم، هناك حاجة ملحة لاستراتيجيات مبتكرة للوقاية والتشخيص المبكر.
تؤكد الورقة على إمكانيات التعلم الآلي (ML) في الرعاية الصحية، لا سيما في التنبؤ وإدارة DPN. بينما استكشفت الدراسات السابقة نماذج ML لتنبؤ DPN، غالبًا ما تعاني من قيود مثل الاعتماد على خوارزميات فردية ونقص في القابلية للتفسير. لمعالجة هذه القضايا، يقترح المؤلفون استراتيجية نمذجة شاملة تتضمن طرق اختيار ميزات قوية (بوروتا وLASSO)، ومقارنة منهجية لعدة خوارزميات ML، واستخدام SHAP (شابلية الإضافات التفسيرية) لتفسير النموذج. بالإضافة إلى ذلك، يتم اقتراح تطوير آلة حاسبة للمخاطر عبر الإنترنت لتسهيل التنفيذ السريري واتخاذ القرار. تهدف الدراسة إلى إنشاء والتحقق من نموذج تنبؤ بالمخاطر قائم على ML لـ DPN، يدمج البيانات الديموغرافية، السريرية، والبيوكيميائية لتحسين التشخيص المبكر واستراتيجيات العلاج الشخصية للمرضى ذوي المخاطر العالية.
طرق
تحدد قسم “الطرق” المواد والإجراءات المستخدمة في البحث. توضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، أدوات، أو برامج ضرورية للتجارب. يتم وصف المنهجية بطريقة منهجية، مما يضمن إمكانية إعادة الإنتاج. يتضمن ذلك تصميم التجارب، تقنيات أخذ العينات، وأي تحليلات إحصائية تم إجراؤها لتفسير البيانات.
بالإضافة إلى ذلك، قد يحدد القسم الظروف التي أجريت فيها التجارب، مثل درجة الحرارة، المدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. بشكل عام، تم تصميم الطرق لاختبار الفرضيات المطروحة في الدراسة بدقة، مما يوفر إطارًا واضحًا لفهم كيفية اشتقاق النتائج.
مناقشة
تحققت الدراسة من خطر اعتلال الأعصاب المحيطية السكري (DPN) لدى 1,544 مريضًا مصابًا بمرض السكري من النوع 2 (T2DM) من خلال نهج التعلم الآلي (ML). تم تقييم المرضى من أجل DPN باستخدام تقييمات عصبية ودراسات توصيل الأعصاب، مع التركيز على عوامل التنبؤ الرئيسية مثل مدة السكري، مستويات حمض اليوريك، HbA1c، ونسبة العدلات إلى اللمفاويات (NLR). استخدمت الأبحاث خوارزمية بوروتا والانحدار LASSO لاختيار الميزات، مما أدى في النهاية إلى تحديد ثمانية متنبئين مهمين. تم تطوير وتقييم تسعة نماذج ML، بما في ذلك تعزيز التدرج العشوائي (SGBT) وتعزيز التدرج المتطرف (XGB)، حيث أظهر SGBT أعلى منطقة تحت منحنى التشغيل (AUC) قدرها 0.811 في مجموعة الاختبار، مما يدل على أداء تنبؤي قوي.
تؤكد النتائج على أهمية الفحص المبكر وتقييم المخاطر لـ DPN، نظرًا لمضاعفاته الشديدة والعبء الاقتصادي على أنظمة الرعاية الصحية. يوفر نموذج الدراسة، الذي يدمج SHAP للتفسير، أداة عبر الإنترنت للأطباء لتقدير خطر DPN الفردي بناءً على المتغيرات السريرية. بينما يظهر النموذج وعدًا، فإن القيود مثل حجم العينة والتحيزات المحتملة تتطلب مزيدًا من التحقق في مجموعات سكانية متنوعة. يجب أن تهدف الأبحاث المستقبلية إلى تعزيز دقة النموذج وقابليته للتطبيق في الإعدادات السريرية، مما يحسن في النهاية نتائج المرضى في إدارة DPN.
DOI: https://doi.org/10.3389/fendo.2025.1614657
PMID: https://pubmed.ncbi.nlm.nih.gov/40538804
Publication Date: 2025-06-05
Author(s): Meng Sun et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This research investigates diabetic peripheral neuropathy (DPN), a prevalent complication of type 2 diabetes mellitus (T2DM) that adversely affects patients’ quality of life and increases healthcare costs. The study analyzed data from 1,544 diabetic patients, divided into training (n = 1,082) and testing (n = 462) cohorts. Feature selection was conducted using Boruta and LASSO algorithms, resulting in eight key predictors from a pool of 23 variables, including diabetes duration, uric acid levels, HbA1c, and smoking status. Nine machine learning models were evaluated for their predictive capabilities, with Stochastic Gradient Boosting (SGBT) yielding the highest performance (training AUC: 0.933; testing AUC: 0.811). Shapley Additive Explanations (SHAP) analysis underscored the significance of diabetes duration and HbA1c.
The study concludes that the SGBT model serves as a robust predictive tool for early DPN detection, providing a scientific basis for improved prevention and management strategies. Future research should aim to validate the model’s efficacy, enhance its accuracy, and facilitate its integration into clinical practice to optimize personalized care and outcomes for DPN patients.
Introduction
The introduction highlights the alarming rise in global diabetes prevalence, with an estimated 537 million adults affected in 2021, projected to reach 783 million by 2045. Diabetic peripheral neuropathy (DPN) is identified as a significant microvascular complication of type 2 diabetes, leading to increased risks of diabetic foot ulcers, amputations, and heightened mortality rates. Given the critical implications of DPN on patient health and quality of life, there is an urgent need for innovative strategies for its prevention and early diagnosis.
The paper emphasizes the potential of machine learning (ML) in healthcare, particularly for predicting and managing DPN. While previous studies have explored ML models for DPN prediction, they often suffer from limitations such as reliance on single algorithms and lack of interpretability. To address these issues, the authors propose a comprehensive modeling strategy that includes robust feature selection methods (Boruta and LASSO), a systematic comparison of multiple ML algorithms, and the use of SHAP (Shapley Additive Explanations) for model interpretability. Additionally, the development of a web-based risk calculator is proposed to facilitate clinical implementation and decision-making. The study aims to create and validate an ML-based risk prediction model for DPN, integrating demographic, clinical, and biochemical data to improve early diagnosis and personalized treatment strategies for high-risk patients.
Methods
The “Methods” section outlines the materials and procedures employed in the research. It details the specific materials used, including any reagents, instruments, or software necessary for the experiments. The methodology is described in a systematic manner, ensuring reproducibility. This includes the design of experiments, sampling techniques, and any statistical analyses performed to interpret the data.
Additionally, the section may specify the conditions under which experiments were conducted, such as temperature, duration, and any controls implemented to validate the results. Overall, the methods are designed to rigorously test the hypotheses posed in the study, providing a clear framework for understanding how the findings were derived.
Discussion
The study investigated the risk of diabetic peripheral neuropathy (DPN) in 1,544 patients with type 2 diabetes mellitus (T2DM) through a machine learning (ML) approach. Patients were assessed for DPN using neurological evaluations and nerve conduction studies, with a focus on key predictive factors such as diabetes duration, uric acid levels, HbA1c, and the neutrophil-to-lymphocyte ratio (NLR). The research employed the Boruta algorithm and LASSO regression for feature selection, ultimately identifying eight significant predictors. Nine ML models, including stochastic gradient boosting (SGBT) and extreme gradient boosting (XGB), were developed and evaluated, with SGBT demonstrating the highest area under the receiver operating characteristic curve (AUC) of 0.811 in the test set, indicating robust predictive performance.
The findings underscore the importance of early screening and risk assessment for DPN, given its severe complications and economic burden on healthcare systems. The study’s model, which integrates SHAP for interpretability, provides a web-based tool for clinicians to estimate individual DPN risk based on clinical variables. While the model shows promise, limitations such as sample size and potential biases necessitate further validation in diverse populations. Future research should aim to enhance the model’s accuracy and applicability in clinical settings, ultimately improving patient outcomes in DPN management.