DOI: https://doi.org/10.1038/s41746-026-02724-0
PMID: https://pubmed.ncbi.nlm.nih.gov/42185463
تاريخ النشر: 2026-05-25
المؤلف: Hae‐Ryong Yun وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول الدراسة التباين الكبير بين الأطباء في اتخاذ القرارات السريرية، لا سيما في تصنيف خزعات الكلى، مما يقوض فعالية أنظمة دعم القرار السريري التقليدية. لمواجهة هذه المشكلة، طور المؤلفون خوارزمية متعددة الخبراء المتكاملة (MEIA)، التي تدمج أنماط اتخاذ القرار المتنوعة للخبراء. شملت الدراسة 9,598 مريضًا عبر ثلاث مجموعات، بما في ذلك مجموعة تطويرية تضم 8,228 مريضًا ومجموعتين للتحقق الخارجي. قام ثلاثة أطباء كلى بتعليق قرارات الخزعة بشكل مستقل، وتم تدريب نماذج التعلم الآلي لتكرار أنماط تصنيف كل طبيب، والتي تم دمجها بعد ذلك باستخدام إطار تصويت الأغلبية.
أشارت النتائج إلى أن النماذج الفردية عكست بفعالية قرارات الخبراء خلال التحقق الداخلي، حيث حققت MEIA دقة مثيرة للإعجاب بلغت 95.3% ودرجة F1 بلغت 84.4%. في التحقق الخارجي، أظهرت MEIA منطقة تحت المنحنى (AUC) قوية بلغت 0.933، متفوقة على نموذج خبير واحد (P<0.001) وأظهرت نتائج مماثلة لنموذجين آخرين. سلط تحليل SHAP الضوء على التباين في أهمية الميزات بين الخبراء، وفي مجموعة تم تأكيدها بواسطة علم الأمراض، أظهرت جميع الحالات الموصى بها من قبل MEIA شذوذات هيستوباثولوجية. تختتم الدراسة بأن MEIA تقدم نهجًا منظمًا لنمذجة تباين الخبراء، على الرغم من الحاجة إلى مزيد من التحقق المستقبلي لتحديد فائدتها السريرية.
الطرق
تحدد قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح تصميم التجارب، بما في ذلك اختيار المواد، وتحضير العينات، والبروتوكولات المحددة المتبعة لضمان إمكانية التكرار. تم إجراء التحليلات الإحصائية باستخدام برامج مناسبة لتقييم دلالة النتائج، مع التركيز على ضمان تفسير البيانات بشكل قوي.
بالإضافة إلى ذلك، يصف القسم النماذج الرياضية والمعادلات المطبقة لتحليل البيانات، مثل تحليلات الانحدار أو اختبارات إحصائية أخرى ذات صلة. تم تصميم المنهجيات لمعالجة أسئلة البحث بفعالية، مما يضمن أن النتائج صحيحة وموثوقة. بشكل عام، توفر الطرق المستخدمة إطارًا شاملاً لفهم الظواهر الأساسية التي تم التحقيق فيها في الدراسة.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المرجح أن تكون بسبب الصدفة.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق كان له تأثير قابل للقياس على المتغير التابع، مع حساب أحجام التأثير لت quantifying حجم هذا التأثير. تمثل الرسوم البيانية، مثل المخططات والرسوم البيانية، هذه النتائج بشكل أكبر، مما يوفر ملخصًا بصريًا للاتجاهات والأنماط المحددة في البيانات. بشكل عام، تؤكد النتائج فعالية التدخل وتساهم في الجسم المعرفي الموجود في هذا المجال.
المناقشة
طورت الدراسة وصادقت على خوارزمية متعددة الخبراء المتكاملة (MEIA) لاتخاذ قرارات خزعة الكلى، باستخدام بيانات من 9,598 مريضًا عبر ثلاثة مستشفيات. تم تصميم الخوارزمية لتضمين أنماط اتخاذ القرار المميزة لثلاثة أطباء كلى، مع معالجة التباين الكبير بين الأطباء الذي لوحظ في توصيات الخزعة. أظهر التحقق الداخلي مقاييس أداء عالية، حيث حققت MEIA دقة بلغت 95.3% وقيمة تنبؤية إيجابية (PPV) بلغت 83.4%. حافظ التحقق الخارجي في مجموعة منفصلة على دقة عالية (91.6%) وخصوصية (96.1%)، على الرغم من أن PPV كانت أقل (62.1%)، مما يشير إلى قوة الخوارزمية عبر مجموعات بيانات مختلفة.
يؤكد إطار MEIA على مبدأ تصميم “بيانات واحدة – قرارات متعددة”، مما يسمح بالحفاظ على أنماط اتخاذ القرار الخاصة بالخبراء بدلاً من تجميعها في توافق واحد. يعزز هذا النهج حساسية الخوارزمية وأدائها التنبؤي، لا سيما في الحالات السريرية الغامضة. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك الاعتماد على تصويت الأغلبية دون وزن ثقة خاص بالخبراء والحاجة إلى مزيد من التحقق عبر مجموعات سكانية متنوعة. تشير النتائج إلى أن MEIA يمكن أن تكون أداة قيمة في أنظمة دعم القرار السريري، تعكس تعقيدات الممارسة الطبية في العالم الحقيقي بينما تتطلب دراسات مستقبلية لتأكيد فعاليتها.
DOI: https://doi.org/10.1038/s41746-026-02724-0
PMID: https://pubmed.ncbi.nlm.nih.gov/42185463
Publication Date: 2026-05-25
Author(s): Hae‐Ryong Yun et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research addresses the significant inter-physician variability in clinical decision-making, particularly in kidney biopsy triage, which undermines the effectiveness of traditional clinical decision support systems. To tackle this issue, the authors developed the Multi Expert Integrated Algorithm (MEIA), which integrates diverse expert decision patterns. The study encompassed 9,598 patients across three cohorts, including a developmental cohort of 8,228 patients and two external validation cohorts. Three nephrologists independently annotated biopsy decisions, and machine learning models were trained to replicate each physician’s labeling patterns, which were then combined using a majority voting framework.
The results indicated that individual models effectively mirrored expert decisions during internal validation, with MEIA achieving an impressive accuracy of 95.3% and an F1-score of 84.4%. In external validation, MEIA demonstrated a robust area under the curve (AUC) of 0.933, outperforming one expert model (P<0.001) and showing comparable results to two others. SHAP analysis highlighted variability in feature importance among experts, and in a pathology-confirmed cohort, all cases recommended by MEIA exhibited histopathological abnormalities. The study concludes that MEIA offers a structured approach to modeling expert variability, although further prospective validation is necessary to establish its clinical utility.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of materials, sample preparation, and the specific protocols followed to ensure reproducibility. Statistical analyses were conducted using appropriate software to evaluate the significance of the results, with a focus on ensuring robust data interpretation.
Additionally, the section describes the mathematical models and equations applied to analyze the data, such as regression analyses or other relevant statistical tests. The methodologies are designed to address the research questions effectively, ensuring that the findings are both valid and reliable. Overall, the methods employed provide a comprehensive framework for understanding the underlying phenomena investigated in the study.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests yielding p-values less than 0.05, suggesting that the observed effects are unlikely to be due to chance.
Additionally, the results demonstrate that the intervention applied had a measurable impact on the dependent variable, with effect sizes calculated to quantify the magnitude of this impact. Graphical representations, such as plots and charts, further illustrate these findings, providing a visual summary of the trends and patterns identified in the data. Overall, the results underscore the effectiveness of the intervention and contribute to the existing body of knowledge in the field.
Discussion
The study developed and validated a Multi-Expert Integrated Algorithm (MEIA) for kidney biopsy decision-making, utilizing data from 9,598 patients across three hospitals. The algorithm was designed to incorporate the distinct decision-making patterns of three nephrologists, addressing the significant inter-physician variability observed in biopsy recommendations. Internal validation demonstrated high performance metrics, with MEIA achieving an accuracy of 95.3% and a positive predictive value (PPV) of 83.4%. External validation in a separate cohort maintained high accuracy (91.6%) and specificity (96.1%), although the PPV was lower (62.1%), indicating the algorithm’s robustness across different datasets.
The MEIA framework emphasizes a “one data-multiple decision” design principle, allowing for the preservation of expert-specific decision patterns rather than aggregating them into a single consensus. This approach enhances the algorithm’s sensitivity and predictive performance, particularly in clinically ambiguous cases. However, the study acknowledges limitations, including the reliance on majority voting without expert-specific confidence weighting and the need for further validation across diverse populations. The findings suggest that MEIA could serve as a valuable tool in clinical decision support systems, reflecting the complexities of real-world medical practice while requiring prospective studies to confirm its effectiveness.