DOI: https://doi.org/10.5543/tkda.2026.02730
PMID: https://pubmed.ncbi.nlm.nih.gov/41910506
تاريخ النشر: 2026-01-01
المؤلف: Hakan Taşolar وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تدرس الدراسة ظاهرة عدم إعادة التدفق في المرضى الذين يعانون من احتشاء عضلة القلب مع ارتفاع مقطع ST (STEMI) الذين يخضعون لتدخل تاجي عن طريق الجلد الأولي (PCI)، وهي حالة مرتبطة بنتائج قلبية وعائية سلبية. تم تضمين 890 مريضًا من STEMI في هذه الدراسة الاستباقية ذات المركز الواحد، حيث تم تطوير ومقارنة خوارزميات التعلم الآلي المختلفة تحت إشراف، لا سيما شبكة كولموغوروف-أرنولد (KAN) وزيادة التدرج المتطرف (XGBoost)، من حيث قدراتها التنبؤية. تم استخدام تقنية زيادة العينة للأقليات الاصطناعية (SMOTE) للتخفيف من عدم توازن الفئات، وحددت عملية اختيار الميزات المتنبئين الرئيسيين مثل الكسر القذفي (EF)، مستوى التروبونين الأساسي، طول الدعامة، مستوى الببتيد المدري من النوع B (BNP)، والوقت الإجمالي للإقفار.
أشارت النتائج إلى أن كل من KAN وXGBoost حققت دقة تنبؤية استثنائية (المساحة تحت المنحنى > 0.98، F1 > 0.95)، متفوقة بشكل كبير على النماذج التقليدية مثل الانحدار اللوجستي وأشجار القرار (اختبار دي لونغ، P < 0.001). لم تعزز عملية اختيار الميزات كفاءة النموذج فحسب، بل قللت أيضًا من وقت التشغيل بنسبة 20-40%. كشفت نتائج الدراسة، المدعومة بتفسيرات شابلي الإضافية (SHAP)، أن ارتفاع EF وانخفاض مستويات BNP قلل من احتمالية عدم إعادة التدفق، بينما زادت أطوال الدعامة الأطول وأوقات الإقفار من هذه الاحتمالية. على الرغم من أن KAN تظهر وعدًا كأداة تحليلية قوية لفهم النتائج القلبية الوعائية المعقدة، إلا أن التحقق المتعدد المراكز ضروري قبل أن يمكن دمجها في الممارسة السريرية.
الطرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية العمليات خطوة بخطوة المتبعة، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير البيانات.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، الضوابط، وأي متغيرات تم التلاعب بها خلال الدراسة. من الضروري إثبات صحة النتائج، حيث يسمح بالتقييم النقدي وإعادة التكرار من قبل باحثين آخرين في هذا المجال. بشكل عام، يعمل هذا القسم كأساس لفهم كيفية الحصول على النتائج وما يترتب عليها من آثار.
النتائج
في هذه الدراسة التي شملت 890 مريضًا تم تشخيصهم باحتشاء عضلة القلب مع ارتفاع مقطع ST (STEMI)، كان متوسط العمر 58.1 ± 12.2 سنة. أظهر نسبة كبيرة من المشاركين عوامل خطر قلبية وعائية تقليدية، بما في ذلك التدخين (56.4%)، ارتفاع ضغط الدم (45.3%)، اضطراب الدهون (41.7%)، ومرض السكري (22.6%). بالإضافة إلى ذلك، أفاد 21.7% من المرضى بتاريخ عائلي لأمراض الشرايين التاجية. تم ملاحظة العلاج الطبي قبل القبول في 11.3% من الحالات.
كشفت المعلمات التصويرية والإجرائية عن متوسط درجة SYNTAX بلغ 15.2 ± 7.0 ومتوسط درجة خثرة TIMI بلغ 4.4 ± 0.9. كانت الانسداد الكلي المزمن موجودة في 3.1% من المرضى، بينما تم إجراء الدعامة المباشرة في 29.0%. كان متوسط طول الدعامة 21.3 ± 8.8 مم، وكان متوسط قطر الدعامة 3.1 ± 0.3 مم. تم تسجيل متوسط الوقت الإجمالي للإقفار عند 200.6 ± 108.4 دقيقة، مع متوسط وقت من الباب إلى البالون بلغ 29.7 ± 5.8 دقيقة، مما يدل على جهود إعادة التوعية في الوقت المناسب. بلغ متوسط عدد إطارات TIMI المصححة (TFC) 24.1 ± 14.1، متماشياً مع النتائج التصويرية المفصلة في الجدول 1.
المناقشة
في هذه الدراسة، قام المؤلفون بتقييم القدرات التنبؤية لمختلف خوارزميات التعلم الآلي، لا سيما شبكات كولموغوروف-أرنولد (KAN) وXGBoost، للتنبؤ بظاهرة عدم إعادة التدفق في المرضى الذين يعانون من احتشاء عضلة القلب مع ارتفاع مقطع ST (STEMI) الذين يخضعون لتدخل تاجي عن طريق الجلد الأولي (PCI). كشفت التحليلات أن KAN وXGBoost حققتا دقة تنبؤية متفوقة، حيث تجاوزت قيم المساحة تحت المنحنى (AUC) 0.98 وF1-scores فوق 0.95، متفوقة بشكل كبير على النماذج التقليدية مثل الانحدار اللوجستي وأشجار القرار (P < 0.001). تضمنت المتنبئات الرئيسية التي تم تحديدها من خلال اختيار الميزات كسر القذفة البطينية اليسرى (EF)، مستويات التروبونين الأساسية، طول الدعامة، مستويات الببتيد المدري من النوع B (BNP)، والوقت الإجمالي للإقفار، مما يبرز أهمية كل من وظيفة عضلة القلب وتعقيد الإجراءات في التنبؤ بعدم إعادة التدفق. كما أكدت الدراسة على دور القابلية للتفسير في نماذج التعلم الآلي، باستخدام تفسيرات شابلي الإضافية (SHAP) لتوضيح كيف أثرت المتنبئات الفردية على النتائج. أشارت النتائج إلى أن ارتفاع EF وانخفاض مستويات BNP كانت مرتبطة بانخفاض خطر عدم إعادة التدفق، بينما زادت أطوال الدعامة الأطول وأوقات الإقفار المطولة من هذا الخطر. على الرغم من النتائج الواعدة، اعترف المؤلفون بالقيود المتعلقة بالعمومية بسبب تصميم المركز الواحد والحاجة إلى التحقق الخارجي لتأكيد قوة نموذج KAN في بيئات سريرية متنوعة. بشكل عام، بينما تظهر KAN إمكانات كأداة تنبؤية لعدم إعادة التدفق في مرضى STEMI، فإن الدراسات متعددة المراكز ضرورية قبل التطبيق السريري.
DOI: https://doi.org/10.5543/tkda.2026.02730
PMID: https://pubmed.ncbi.nlm.nih.gov/41910506
Publication Date: 2026-01-01
Author(s): Hakan Taşolar et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The study investigates the no-reflow phenomenon in patients with ST-segment elevation myocardial infarction (STEMI) undergoing primary percutaneous coronary intervention (PCI), a condition linked to adverse cardiovascular outcomes. A total of 890 STEMI patients were included in this prospective, single-center study, where various supervised machine learning algorithms, particularly the Kolmogorov-Arnold Network (KAN) and Extreme Gradient Boosting (XGBoost), were developed and compared for their predictive capabilities. The Synthetic Minority Over-sampling Technique (SMOTE) was employed to mitigate class imbalance, and feature selection identified key predictors such as ejection fraction (EF), baseline troponin level, stent length, B-type natriuretic peptide (BNP) level, and total ischemic time.
The results indicated that both KAN and XGBoost achieved exceptional predictive accuracy (area under the curve > 0.98, F1 > 0.95), significantly outperforming traditional models like logistic regression and decision trees (DeLong test, P < 0.001). Feature selection not only enhanced model efficiency but also reduced runtime by 20-40%. The study's findings, supported by Shapley Additive exPlanations (SHAP), revealed that higher EF and lower BNP levels decreased the likelihood of no-reflow, while longer stent lengths and ischemic times increased it. Although KAN shows promise as a robust analytical tool for understanding complex cardiovascular outcomes, further multicenter validation is necessary before it can be integrated into clinical practice.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the step-by-step processes followed, including any statistical analyses performed to interpret the data.
Additionally, the section may describe the experimental setup, controls, and any variables manipulated during the study. It is crucial for establishing the validity of the findings, as it allows for critical evaluation and replication by other researchers in the field. Overall, this section serves as a foundation for understanding how the results were obtained and their subsequent implications.
Results
In this study involving 890 patients diagnosed with ST-Elevation Myocardial Infarction (STEMI), the average age was 58.1 ± 12.2 years. A significant proportion of participants exhibited traditional cardiovascular risk factors, including smoking (56.4%), hypertension (45.3%), dyslipidemia (41.7%), and diabetes mellitus (22.6%). Additionally, 21.7% of patients reported a family history of coronary artery disease. Pre-admission medical therapy was noted in 11.3% of the cases.
Angiographic and procedural parameters revealed a mean SYNTAX score of 15.2 ± 7.0 and a mean TIMI thrombus score of 4.4 ± 0.9. Chronic total occlusion was present in 3.1% of patients, while direct stenting was performed in 29.0%. The mean stent length was 21.3 ± 8.8 mm, and the average stent diameter was 3.1 ± 0.3 mm. The mean total ischemic time was recorded at 200.6 ± 108.4 minutes, with a mean door-to-balloon time of 29.7 ± 5.8 minutes, indicating timely revascularization efforts. The corrected TIMI frame count (TFC) averaged 24.1 ± 14.1, aligning with the angiographic findings detailed in Table 1.
Discussion
In this study, the authors evaluated the predictive capabilities of various machine learning algorithms, specifically Kolmogorov-Arnold Networks (KAN) and XGBoost, for forecasting the no-reflow phenomenon in patients with ST-segment elevation myocardial infarction (STEMI) undergoing primary percutaneous coronary intervention (PCI). The analysis revealed that KAN and XGBoost achieved superior predictive accuracy, with area under the curve (AUC) values exceeding 0.98 and F1-scores above 0.95, significantly outperforming traditional models such as logistic regression and decision trees (P < 0.001). Key predictors identified through feature selection included left ventricular ejection fraction (EF), baseline troponin levels, stent length, B-type natriuretic peptide (BNP) levels, and total ischemic time, highlighting the importance of both myocardial function and procedural complexity in predicting no-reflow. The study also emphasized the role of explainability in machine learning models, utilizing SHapley Additive exPlanations (SHAP) to clarify how individual predictors influenced outcomes. The findings indicated that higher EF and lower BNP levels were associated with a reduced risk of no-reflow, while longer stent lengths and prolonged ischemic times increased this risk. Despite the promising results, the authors acknowledged limitations regarding generalizability due to the single-center design and the need for external validation to confirm the robustness of the KAN model in diverse clinical settings. Overall, while KAN shows potential as a predictive tool for no-reflow in STEMI patients, further multicenter studies are necessary before clinical application.