DOI: https://doi.org/10.25259/jnrp_85_2025
تاريخ النشر: 2026-02-06
المؤلف: Mawaddah Ar Rochmah وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
هدفت الدراسة إلى تطوير درجة توقعية تعتمد على التعلم الآلي لتقدير الوفيات داخل المستشفى لدى المرضى الذين يعانون من السكتة الدماغية الحادة ومرض السكري من النوع 2 (T2DM). باستخدام بيانات من سجل السكري القائم على المطالبات في مستشفى الدكتور سردجيتو العام في يوجياكارتا، إندونيسيا، قام الباحثون بتحليل سجلات 749 مريضًا تم تشخيصهم بالحالتين بين يناير 2016 وديسمبر 2020. تم تقييم أربعة خوارزميات تعلم آلي، حيث أظهر نموذج الغابة العشوائية أداءً متفوقًا في التنبؤ بالوفيات.
تضمنت الميزات الرئيسية التي حددها نموذج الغابة العشوائية مدة الإقامة، والتسمم الدموي، والالتهاب الرئوي، والعمر، والاختلالات الدهنية، وشلل نصفي. تم دمج هذه الميزات في نظام تسجيل قائم على الويب مصمم لتقدير احتمال الوفاة داخل المستشفى للمرضى الأفراد. تشير النتائج إلى أن تقنيات التعلم الآلي يمكن أن تدعم بشكل فعال تطوير أدوات توقعية لتقييم مخاطر الوفاة لدى مرضى السكتة الدماغية الحادة الذين يعانون من T2DM، مما قد يعزز تخطيط العلاج واستشارة المرضى.
مقدمة
تسلط المقدمة الضوء على التأثير العالمي الكبير للسكتة الدماغية، التي تعد السبب الرئيسي للإعاقة والسبب الثاني للوفاة. حددت دراسة INTERSTROKE للحالات والشواهد مرض السكري من النوع 2 (T2DM) كواحد من عشرة عوامل خطر رئيسية تساهم في 90% من حالات السكتة الدماغية. بالإضافة إلى ذلك، أكدت دراسة مجتمعية في إندونيسيا العلاقة بين T2DM، والعمر، وارتفاع ضغط الدم مع حدوث السكتة الدماغية. لا يرفع T2DM فقط من خطر السكتة الدماغية، بل يرتبط أيضًا بزيادة الوفيات داخل المستشفى وطويلة الأمد، والسكتات الدماغية المتكررة، ومجموعة متنوعة من الأمراض المصاحبة.
تناقش هذه الفقرة فائدة الدرجات التوقعية في الإعدادات السريرية، مشيرة إلى أن عوامل مثل نوع السكتة الدماغية، والعمر، ودرجة مقياس رانكين المعدل (mRS) قبل السكتة يمكن أن تتنبأ بالوفيات داخل المستشفى والقصيرة الأجل. ومع ذلك، قد لا تكون النماذج التوقعية الحالية قابلة للتطبيق عالميًا بسبب الاختلافات في التركيبة السكانية للسكان وأنظمة الرعاية الصحية. أشارت مراجعة منهجية إلى أن طرق التعلم الآلي قد تفوقت على الأساليب الإحصائية التقليدية في التنبؤ بوفاة السكتة الدماغية، ومع ذلك، فإن اعتمادها على بيانات سريرية مفصلة يمكن أن يعيق التنفيذ العملي. لمعالجة ذلك، يقترح المؤلفون تطوير نظام تسجيل يعتمد على التعلم الآلي للتنبؤ بالوفيات داخل المستشفى بين مرضى السكتة الدماغية الحادة الذين يعانون من T2DM، باستخدام معلومات ديموغرافية وسريرية متاحة بسهولة من السجلات القائمة على المطالبات. يهدف هذا النهج إلى تقييم القوة التنبؤية لهذه المتغيرات التي يتم جمعها بانتظام مقارنة بالبيانات السريرية الأكثر تفصيلًا.
الطرق
توضح فقرة “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تتفصل في المواد المستخدمة، بما في ذلك الكواشف المحددة، والأدوات، وأي عينات بيولوجية، جنبًا إلى جنب مع مصادرها وطرق تحضيرها. تصف الفقرة أيضًا البروتوكولات التجريبية، بما في ذلك الظروف التي أجريت فيها التجارب، والضوابط المطبقة، والتحليلات الإحصائية المنفذة لضمان صحة وموثوقية النتائج.
بالإضافة إلى ذلك، تشمل المنهجية تقنيات أخذ العينات، وطرق جمع البيانات، وأي أدوات حاسوبية مستخدمة لتحليل البيانات. يتم التأكيد على صرامة الطرق لدعم إمكانية تكرار نتائج الدراسة، والتي تعتبر حاسمة لتقدم المعرفة في هذا المجال. بشكل عام، تعمل هذه الفقرة كدليل شامل لتكرار الدراسة وفهم العمليات الأساسية التي أدت إلى النتائج المبلغ عنها.
النتائج
تقدم فقرة “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات المنفذة. تتفصل في نتائج الاختبارات المختلفة، مع تسليط الضوء على البيانات الإحصائية الهامة والاتجاهات الملحوظة في الدراسة. غالبًا ما تكون النتائج مصحوبة بأشكال وجداول ذات صلة توضح العلاقات بين المتغيرات، مما يوفر تمثيلًا بصريًا واضحًا للبيانات.
في هذه الفقرة، قد يناقش المؤلفون أيضًا تداعيات نتائجهم بالنسبة للنظريات الحالية أو الأبحاث السابقة، مؤكدين كيف تساهم نتائجهم في المجال الأوسع للدراسة. بالإضافة إلى ذلك، يتم تناول أي نتائج غير متوقعة أو شذوذ، مما يوفر رؤى حول المجالات المحتملة لمزيد من التحقيق. بشكل عام، تخدم النتائج لتأكيد الفرضيات المطروحة في المقدمة وتضع الأساس للنقاشات والاستنتاجات اللاحقة.
المناقشة
في هذه الدراسة، تم استخدام سجل السكري القائم على المطالبات من مستشفى الدكتور سردجيتو العام في يوجياكارتا، إندونيسيا، لتحليل المرضى الذين تم تشخيصهم بالسكتة الدماغية الحادة ومرض السكري من النوع 2 (T2DM) بين يناير 2016 وديسمبر 2020. شمل مجموعة البيانات معلومات ديموغرافية، وتشخيصات، وحالات خروج، مع التركيز على البالغين الذين تم إدخالهم إلى المستشفى والذين تتراوح أعمارهم بين 18 عامًا وما فوق. تم تطبيق معايير صارمة للإدراج والاستبعاد، مما أسفر عن مجموعة بيانات نهائية تضم 749 مريضًا. استخدمت الدراسة تقنيات التعلم الآلي، وتحديدًا الغابة العشوائية، والانحدار اللوجستي، وجيران K الأقرب (KNN)، وXGBoost، للتنبؤ بالوفيات داخل المستشفى. تفوق نموذج الغابة العشوائية على الآخرين، محققًا منطقة تحت منحنى التشغيل (AUC-ROC) قدرها 0.884، مما يشير إلى قدرة تنبؤية قوية.
تضمنت المتنبئات الرئيسية التي تم تحديدها مدة الإقامة، والتسمم الدموي، والالتهاب الرئوي، والعمر، والاختلالات الدهنية، والشلل النصفي، وفقر الدم، والتهاب المسالك البولية، وفشل الكلى، وارتفاع ضغط الدم. تم دمج هذه المتغيرات في نظام تسجيل تنبؤي قائم على الويب، والذي تم التحقق من صحته باستخدام مجموعة بيانات ثانوية من يناير إلى ديسمبر 2024. ميز نظام التسجيل بفعالية بين الناجين وغير الناجين، مما أظهر اختلافات كبيرة في احتمالات الوفاة المتوقعة. بينما يظهر النموذج وعدًا للتطبيق السريري، تشمل القيود الاعتماد على مجموعة بيانات محددة وغياب بيانات مختبرية مفصلة. يجب أن تهدف الأبحاث المستقبلية إلى التحقق من صحة نظام التسجيل عبر إعدادات سريرية متنوعة لتعزيز قابليته للتطبيق وموثوقيته.
DOI: https://doi.org/10.25259/jnrp_85_2025
Publication Date: 2026-02-06
Author(s): Mawaddah Ar Rochmah et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The study aimed to develop a machine-learning-based prognostic score to estimate in-hospital mortality in patients with acute stroke and type 2 diabetes mellitus (T2DM). Utilizing data from a claims-based diabetes registry at Dr. Sardjito General Hospital in Yogyakarta, Indonesia, the researchers analyzed records of 749 patients diagnosed with both conditions between January 2016 and December 2020. Four machine learning algorithms were evaluated, with the random forest model demonstrating superior performance in predicting mortality.
Key features identified by the random forest model included length of stay, sepsis, pneumonia, age, dyslipidemia, and hemiplegia. These features were incorporated into a web-based scoring system designed to estimate the probability of in-hospital death for individual patients. The findings suggest that machine learning techniques can effectively support the development of prognostic tools for assessing mortality risk in acute stroke patients with T2DM, potentially enhancing treatment planning and patient counseling.
Introduction
The introduction highlights the significant global impact of stroke, which is the leading cause of disability and the second leading cause of mortality. The INTERSTROKE case-control study identified type 2 diabetes mellitus (T2DM) as one of the ten primary risk factors contributing to 90% of stroke cases. Additionally, a community survey in Indonesia corroborated the association of T2DM, age, and hypertension with stroke incidence. T2DM not only elevates stroke risk but is also associated with increased in-hospital and long-term mortality, recurrent strokes, and various comorbidities.
The section discusses the utility of prognostic scores in clinical settings, noting that factors such as stroke subtype, age, and pre-stroke modified Rankin Scale (mRS) score can predict in-hospital and short-term mortality. However, existing prognostic models may not be universally applicable due to variations in population demographics and healthcare systems. A systematic review indicated that machine learning methods have outperformed traditional statistical approaches in predicting stroke mortality, yet their reliance on detailed clinical data can hinder practical implementation. To address this, the authors propose developing a machine-learning-based scoring system to predict in-hospital mortality among acute stroke patients with T2DM, utilizing readily available demographic and clinical information from claims-based registries. This approach aims to assess the predictive power of these routinely collected variables compared to more granular clinical data.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, instruments, and any biological samples, alongside their sources and preparation methods. The section also describes the experimental protocols, including the conditions under which experiments were conducted, the controls implemented, and the statistical analyses performed to ensure the validity and reliability of the results.
Additionally, the methodology encompasses the sampling techniques, data collection methods, and any computational tools utilized for data analysis. The rigor of the methods is emphasized to support the reproducibility of the study’s findings, which are critical for advancing knowledge in the field. Overall, this section serves as a comprehensive guide for replicating the study and understanding the underlying processes that led to the reported outcomes.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant statistical data and trends observed in the study. The results are often accompanied by relevant figures and tables that illustrate the relationships between variables, providing a clear visual representation of the data.
In this section, the authors may also discuss the implications of their findings in relation to existing theories or prior research, emphasizing how their results contribute to the broader field of study. Additionally, any unexpected outcomes or anomalies are addressed, offering insights into potential areas for further investigation. Overall, the results serve to validate the hypotheses posed in the introduction and lay the groundwork for subsequent discussions and conclusions.
Discussion
In this study, a claims-based diabetes registry from Dr. Sardjito General Hospital in Yogyakarta, Indonesia, was utilized to analyze patients diagnosed with acute stroke and Type 2 Diabetes Mellitus (T2DM) between January 2016 and December 2020. The dataset included demographic information, diagnoses, and discharge statuses, with a focus on hospitalized adults aged 18 and older. Rigorous inclusion and exclusion criteria were applied, resulting in a final dataset of 749 patients. The study employed machine learning techniques, specifically Random Forest, Logistic Regression, K-Nearest Neighbors (KNN), and XGBoost, to predict in-hospital mortality. The Random Forest model outperformed the others, achieving an area under the receiver operating characteristic curve (AUC-ROC) of 0.884, indicating strong predictive capability.
Key predictors identified included length of stay, sepsis, pneumonia, age, dyslipidemia, hemiplegia, anemia, urinary tract infection, kidney failure, and hypertension. These variables were integrated into a web-based predictive scoring system, which was validated using a secondary dataset from January to December 2024. The scoring system effectively distinguished between survivors and non-survivors, demonstrating significant differences in predicted mortality probabilities. While the model shows promise for clinical application, limitations include reliance on a specific dataset and the absence of detailed laboratory data. Future research should aim to validate the scoring system across diverse clinical settings to enhance its applicability and reliability.