DOI: https://doi.org/10.1038/s41598-025-12310-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40702099
تاريخ النشر: 2025-07-23
المؤلف: Manaf Zargoush وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم هذه الورقة البحثية نظام دعم القرار السريري (CDSS) مبتكر يهدف إلى تحسين وصف الأدوية للمرضى المصابين بداء السكري من النوع 2 (T2D) من خلال التعلم الآلي (ML). يستخدم الإطار نموذج الشبكة البايزية (BN) لتحليل مجموعة بيانات شاملة من السجلات الصحية الإلكترونية لـ 17,773 مريضًا على مدى 12 عامًا، مع التركيز على ملفات تعريف المرضى الفردية، بما في ذلك الخصائص الديموغرافية والأمراض المصاحبة. تُظهر الدراسة أداءً تنبؤيًا قويًا، مع قيم الدقة والاسترجاع ودرجة F1 تبلغ 0.789 و0.879 و0.831، على التوالي. تحدد المكون الوصفي للإطار استراتيجيات العلاج المثلى، كاشفةً أن التوافق مع وصفات الأطباء أعلى في السيناريوهات الأبسط ولكنه ينخفض مع أنظمة الأدوية الأكثر تعقيدًا.
بينما يُظهر CDSS وعدًا في إدارة T2D الشخصية، تعترف الدراسة بعدة قيود. يثير عدم توازن الجنس في مجموعة البيانات، التي تتكون بشكل أساسي من قدامى المحاربين الذكور الأكبر سنًا، مخاوف بشأن إمكانية تعميم النتائج. بالإضافة إلى ذلك، يحد نقص بيانات السلاسل الزمنية والمعلومات التفصيلية حول الالتزام بالأدوية والجرعات من استنتاجات الدراسة. قد يؤدي الاعتماد على الوفيات من جميع الأسباب كنتيجة رئيسية إلى إدخال تحيز، حيث إنه لا يأخذ في الاعتبار بشكل محدد الوفيات المرتبطة بالسكري. على الرغم من هذه القيود، تم تصميم الإطار ليكون قابلاً للتكيف، مع إمكانية تحسينات مستقبلية من خلال دمج مؤشرات سريرية إضافية، مما يعزز الرعاية الشخصية في إدارة السكري.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على انتشار داء السكري في جميع أنحاء العالم، وخاصة داء السكري من النوع 2 (T2D)، الذي من المتوقع أن يؤثر على 552 مليون فرد بحلول عام 2030. يمثل T2D جزءًا كبيرًا من تكاليف الرعاية الصحية ويشكل مخاطر صحية خطيرة بسبب تعدد الأدوية بين المرضى. تؤكد جمعية السكري الأمريكية على أهمية الرعاية الشخصية المستندة إلى التنبؤ التي تأخذ في الاعتبار عوامل المرضى الفردية، ومع ذلك غالبًا ما تفتقر الإرشادات الحالية إلى هذه الشخصية. يتم استخدام التحليلات التنبؤية المتقدمة، وخاصة من خلال التعلم الآلي (ML) والذكاء الاصطناعي (AI)، بشكل متزايد في الرعاية الصحية لتعزيز اتخاذ القرارات السريرية وتحسين نتائج العلاج للأمراض المزمنة مثل السكري.
تحدد الورقة فجوة في أنظمة دعم القرار السريري (CDSS) الحالية لإدارة T2D، التي تركز بشكل أساسي على التشخيص والمراقبة قصيرة المدى بدلاً من التنبؤ بالنتائج طويلة المدى وتحسين الأدوية. يقترح المؤلفون إطار CDSS مبتكر قائم على البيانات والتعلم الآلي يدمج مسارات الأدوية مع التنبؤ، بهدف توفير أنظمة علاج مخصصة للمرضى الأفراد. يستخدم هذا الإطار الشبكات البايزية (BNs) لقدرتها على دعم كل من التحليلات التنبؤية والوصفية، مما يعزز اتخاذ القرار في السيناريوهات السريرية المعقدة. تهدف الدراسة إلى تقييم الامتثال الطبي بشكل تجريبي مع مسارات العلاج المثلى وإظهار التنفيذ العملي لتصميم CDSS المقترح، مما يعزز مجال إدارة السكري من خلال الأساليب القائمة على البيانات.
الطرق
تم هيكلة منهجية الدراسة في ثلاث مراحل رئيسية: إعداد البيانات، التحليلات التنبؤية، والتحليلات الوصفية. في البداية، تضمنت إعداد البيانات تنظيم وتنظيف مجموعة البيانات لضمان ملاءمتها للتحليل. في المرحلة الثانية، تم تطوير نموذج شبكة بايزية (BN) تنبؤية، باستخدام ثلاث تقنيات إعادة أخذ العينات – أخذ العينات الناقصة، أخذ العينات الزائدة، ونهج هجين – لمعالجة عدم التوازن في الفئات داخل البيانات. بعد التحقق من أداء النموذج التنبؤي، استخدمت المرحلة الثالثة قدرات تحديث المعتقدات في BN وخصائص غلاف ماركوف لتحسين توصيات مسار العلاج.
للتواصل بشكل فعال حول السياسات المثلى المستمدة من التحليل، تم تطبيق خوارزمية شجرة القرار، مستفيدةً من البيانات الوصفية لوصفات الأدوية المثلى. لا يسهل هذا النهج الشامل تصور النتائج فحسب، بل يساعد أيضًا في التنفيذ العملي للتوصيات. تم تنفيذ جميع المنهجيات، بما في ذلك الخوارزميات والتصورات، باستخدام حزم R مثل bnlearn وvisNetwork وshiny، مما يضمن إطارًا تحليليًا قويًا.
النتائج
تشمل نتائج الدراسة كل من التحليلات الوصفية والتنبؤية بشأن مجموعة من 17,773 مريضًا مصابًا بداء السكري من النوع 2 (T2D). كان متوسط عمر المشاركين 69.2 عامًا، مع نسبة كبيرة (أكثر من 25%) تبلغ 80 عامًا أو أكثر. كشف الملف الديموغرافي عن هيمنة المرضى الذكور (95%)، مع أمراض مصاحبة ملحوظة تشمل الدائرة الدموية (90%)، القلبية (88%)، واضطرابات الجهاز العضلي الهيكلي (69%). استخدمت التحليلات التنبؤية خوارزميات تعلم الشبكة البايزية (BN)، وتحديدًا GS وHC وMax-MMHC، مما أظهر أداءً محسّنًا مع البيانات المتوازنة. حققت خوارزمية Max-MMHC دقة عالية (0.789)، واسترجاع (0.879)، ودرجة F1 (0.831)، وAUC (0.757)، ودقة (0.783)، مما أدى إلى اختيارها لمزيد من التحليلات.
طورت الدراسة نظام دعم القرار السريري (CDSS) مخصصًا يهدف إلى تحسين مسارات الأدوية لتقليل الوفيات في مرضى T2D. باستخدام نموذج تنبؤي قائم على BN، تمكن CDSS من التقاط العلاقات الاحتمالية والشكوك من السجلات الطبية الإلكترونية، مما يسهل التحديثات في الوقت الفعلي للتحليلات الوصفية والتنبؤية والوصفية. أنتج النموذج توصيات علاجية بناءً على الخصائص الديموغرافية للمرضى، والأمراض المصاحبة، وخطط العلاج، متماشية بشكل جيد مع الأنظمة الموصوفة من قبل الأطباء للحالات الأبسط ولكن كاشفة عن تناقضات في السيناريوهات الأكثر تعقيدًا. يبرز هذا الحاجة إلى استراتيجيات مثلى ضمن CDSS. الإطار قابل للتعديل، مما يسمح بالتخصيص ليشمل نتائج سريرية متنوعة، مما يعزز إدارة السكري الشخصية. بشكل عام، تسهم الدراسة بشكل كبير في المنهجية والتطبيق العملي للتوصيات العلاجية الشخصية لـ T2D، مقدمةً للأطباء أداة قيمة لتحسين نتائج المرضى من خلال اتخاذ قرارات مستنيرة.
المناقشة
في هذه الدراسة، قام المؤلفون بتحليل السجلات الصحية الإلكترونية (EHR) لـ 17,773 مريضًا مصابًا بداء السكري من النوع 2 (T2D) من مراكز VA الطبية، مع التركيز على الوفيات كمتغير نتيجة. استخدمت الأبحاث نموذج شبكة بايزية (BN) للتنبؤ بالوفيات، وتوصيف آثار الأدوية المضادة للسكري المختلفة، وتحديد مسارات العلاج المثلى التي تهدف إلى تقليل مخاطر الوفيات. تضمنت مجموعة البيانات خصائص المرضى غير المعروفة، والأمراض المصاحبة، والأدوية، وبيانات الوفيات، التي تمت معالجتها من خلال تقنيات التقطيع وإعادة أخذ العينات لمعالجة عدم التوازن في معدلات الوفيات. تم تقييم أداء النموذج التنبؤي بدقة باستخدام مقاييس مثل الاسترجاع، والدقة، والمساحة تحت المنحنى (AUC)، وقياس F1، والدقة، مع استخدام التحقق المتقاطع لمنع الإفراط في التكيف.
استخدمت مكون التحليلات الوصفية في الدراسة خاصية الفصل d لشبكات BNs لتحسين قرارات الأدوية لمرضى T2D. تم استخدام ثلاث استراتيجيات تحسين قائمة على البيانات – تحسين للأمام، وتحسين للخلف، ونهج ADA المحسن – لاشتقاق توصيات علاج شخصية. أشارت النتائج إلى أنه بينما كانت الميتفورمين تظهر باستمرار كعلاج أولي موصى به، كانت مسارات العلاج المثلى تختلف بناءً على الخصائص الديموغرافية للمرضى. من الجدير بالذكر أن الدراسة كشفت عن توافق كبير بين مسارات العلاج المثلى والاستراتيجيات الموصوفة من قبل الأطباء، خاصةً للأنظمة الأبسط، بينما تسلط الضوء على التحديات في توافق خطط العلاج المعقدة. تؤكد النتائج على إمكانية أنظمة دعم القرار السريري (CDSS) لتعزيز قرارات العلاج في إدارة T2D، خاصةً في الحالات المعقدة التي تشمل أدوية متعددة.
DOI: https://doi.org/10.1038/s41598-025-12310-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40702099
Publication Date: 2025-07-23
Author(s): Manaf Zargoush et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This research paper presents a novel clinical decision support system (CDSS) aimed at enhancing medication prescriptions for patients with type 2 diabetes (T2D) through machine learning (ML). The framework utilizes a Bayesian Network (BN) model to analyze a comprehensive dataset of electronic health records from 17,773 patients over 12 years, focusing on individual patient profiles, including demographics and comorbidities. The study demonstrates strong predictive performance, with precision, recall, and F1-score values of 0.789, 0.879, and 0.831, respectively. The prescriptive component of the framework identifies optimal treatment strategies, revealing that alignment with physician prescriptions is higher in simpler scenarios but decreases with more complex medication regimens.
While the CDSS shows promise for personalized T2D management, the study acknowledges several limitations. The dataset’s gender imbalance, primarily consisting of older male veterans, raises concerns about generalizability. Additionally, the lack of time-series data and detailed information on medication adherence and dosages limits the study’s conclusions. The reliance on all-cause mortality as the primary outcome may introduce bias, as it does not specifically account for diabetes-related mortality. Despite these limitations, the framework is designed to be adaptable, with potential for future enhancements by incorporating additional clinical indicators, thereby advancing personalized care in diabetes management.
Introduction
The introduction of this research paper highlights the growing global prevalence of diabetes mellitus, particularly type 2 diabetes (T2D), which is projected to affect 552 million individuals by 2030. T2D accounts for a significant portion of healthcare costs and poses serious health risks due to polypharmacy among patients. The American Diabetes Association emphasizes the importance of personalized, prognostication-based care that considers individual patient factors, yet existing guidelines often lack this personalization. Advanced predictive analytics, particularly through machine learning (ML) and artificial intelligence (AI), are increasingly utilized in healthcare to enhance clinical decision-making and improve treatment outcomes for chronic diseases like diabetes.
The paper identifies a gap in current Clinical Decision Support Systems (CDSSs) for T2D management, which primarily focus on diagnosis and short-term monitoring rather than long-term outcome prediction and medication optimization. The authors propose a novel, data-driven ML-based CDSS framework that integrates medication pathways with prognostication, aiming to provide tailored treatment regimens for individual patients. This framework employs Bayesian Networks (BNs) for their ability to support both predictive and prescriptive analytics, thus enhancing decision-making in complex clinical scenarios. The study aims to empirically assess physician compliance with optimal treatment pathways and demonstrate the practical implementation of the proposed CDSS design, advancing the field of diabetes management through data-driven approaches.
Methods
The methodology of the study is structured into three key stages: data preparation, predictive analytics, and prescriptive analytics. Initially, data preparation involved organizing and cleaning the dataset to ensure its suitability for analysis. In the second stage, a predictive Bayesian Network (BN) model was developed, employing three resampling techniques—under-sampling, over-sampling, and a hybrid approach—to address class imbalance within the data. Following the validation of the model’s predictive performance, the third stage utilized the BN’s belief updating capabilities and its Markov blanket property to optimize treatment pathway recommendations.
To effectively communicate the optimal policies derived from the analysis, a decision tree algorithm was applied, leveraging metadata from the optimal medication prescriptions. This comprehensive approach not only facilitates the visualization of results but also aids in the practical implementation of the recommendations. All methodologies, including algorithms and visualizations, were executed using R packages such as bnlearn, visNetwork, and shiny, ensuring a robust analytical framework.
Results
The results of the study encompass both descriptive and predictive analytics regarding a cohort of 17,773 patients with Type 2 Diabetes (T2D). The average age of participants was 69.2 years, with a significant proportion (over 25%) aged 80 or older. The demographic profile revealed a predominance of male patients (95%), with notable comorbidities including circulatory (90%), cardiac (88%), and musculoskeletal disorders (69%). The predictive analytics employed Bayesian Network (BN) learning algorithms, specifically GS, HC, and Max-MMHC, demonstrating improved performance with balanced data. The Max-MMHC algorithm achieved high precision (0.789), recall (0.879), F1 score (0.831), AUC (0.757), and accuracy (0.783), leading to its selection for further analyses.
The study developed a personalized Clinical Decision Support System (CDSS) aimed at optimizing medication pathways for mortality reduction in T2D patients. Utilizing a BN-based predictive model, the CDSS effectively captured probabilistic relationships and uncertainties from electronic medical records, facilitating real-time updates for descriptive, predictive, and prescriptive analytics. The model generated treatment recommendations based on patient demographics, comorbidities, and treatment plans, aligning well with physician-prescribed regimens for simpler cases but revealing discrepancies in more complex scenarios. This highlights the need for optimal strategies within CDSS. The framework is modular, allowing for customization to include various clinical outcomes, thereby enhancing personalized diabetes management. Overall, the study contributes significantly to the methodology and practical application of personalized treatment recommendations for T2D, offering clinicians a valuable tool for improving patient outcomes through informed decision-making.
Discussion
In this study, the authors analyzed Electronic Health Records (EHR) of 17,773 patients with Type 2 Diabetes (T2D) from the VA Medical Centers, focusing on mortality as an outcome variable. The research utilized a Bayesian Network (BN) model to predict mortality, characterize the effects of various antidiabetic medications, and identify optimal treatment pathways aimed at minimizing mortality risk. The dataset included de-identified patient demographics, comorbidities, medications, and mortality data, which were processed through discretization and resampling techniques to address class imbalances in mortality rates. The model’s predictive performance was rigorously evaluated using metrics such as recall, precision, area under the curve (AUC), F1 measure, and accuracy, with cross-validation employed to prevent overfitting.
The prescriptive analytics component of the study utilized the d-separation property of BNs to optimize medication decisions for T2D patients. Three data-driven optimization strategies—forward optimization, backward optimization, and an optimized ADA approach—were employed to derive personalized treatment recommendations. The findings indicated that while Metformin consistently emerged as a recommended first-line therapy, the optimal treatment pathways varied based on patient demographics and characteristics. Notably, the study revealed a significant concordance between optimal treatment pathways and physician-prescribed strategies, particularly for simpler regimens, while highlighting challenges in aligning complex treatment plans. The results underscore the potential of clinical decision support systems (CDSS) to enhance treatment decisions in T2D management, particularly in complex cases involving multiple medications.