DOI: https://doi.org/10.3389/fmolb.2026.1746108
PMID: https://pubmed.ncbi.nlm.nih.gov/41797993
تاريخ النشر: 2026-02-20
المؤلف: Ting Xie وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
هدفت هذه الدراسة إلى تطوير نماذج تنبؤية لتقدير مستويات الهيموغلوبين (Hb) لدى مرضى غسيل الكلى المستمر (MHD) باستخدام خوارزميات تعلم الآلة (ML) المختلفة. قامت الدراسة بتحليل 8,159 سجلًا من 2,104 مريضًا في غسيل الكلى المستمر عبر 24 مركزًا لتنقية الدم في شنتشن، مستخدمةً ثمانية خوارزميات مختلفة من تعلم الآلة: الانحدار الخطي (LR)، لاسو، بايزيان ريدج، تعزيز التدرج (XGBoost)، الغابة العشوائية (RF)، آلة الدعم الناقل (SVM)، الشبكة العصبية متعددة الطبقات (MLP)، وذاكرة طويلة وقصيرة الأمد (LSTM). تم تقييم أداء هذه النماذج بدقة، حيث حققت MLP أعلى مقاييس الأداء، بما في ذلك $R^2$ بقيمة 0.672، ومتوسط خطأ مطلق (MAE) قدره 9.360 جرام/لتر، وجذر متوسط مربع الخطأ (RMSE) قدره 12.438 جرام/لتر. حدد التحليل أحدث قيمة Hb (Hb(t-1)) كأقوى مؤشر لمستويات Hb المستقبلية.
تشير النتائج إلى أن نماذج تعلم الآلة، التي تتضمن بيانات ديموغرافية، وسجلات علاج الغسيل الكلوي، وقياسات Hb التاريخية، يمكن أن تتنبأ بفعالية بمستويات Hb المستقبلية لدى مرضى MHD. تعتبر هذه القدرة حاسمة للتعرف المبكر على خطر فقر الدم والتدخل السريري في الوقت المناسب. تبرز الدراسة إمكانيات أساليب تعلم الآلة في تعزيز استراتيجيات إدارة فقر الدم من منظور غير دوائي، على الرغم من الحاجة إلى مزيد من التحقق من صحة التطبيق السريري. قد يسمح التنبؤ المبكر بمستويات Hb باستخدام هذه النماذج للأطباء بتقييم حالة فقر الدم لدى المرضى قبل اختبارات الدم الروتينية، مما يحسن الإدارة الفردية وقد يعزز النتائج طويلة الأجل للمرضى.
مقدمة
تتناول مقدمة ورقة البحث التحدي الكبير الذي تمثله أمراض الكلى في مراحلها النهائية (ESRD) للصحة العامة، مع تسليط الضوء على انتشارها العالمي، وخاصة بين المرضى الذين يخضعون لغسيل الكلى المستمر (MHD). اعتبارًا من عام 2023، يُقدّر أن حوالي 3.57 مليون فرد يخضعون للغسيل الكلوي على مستوى العالم، مع حوالي 1.027 مليون مريض في الصين وحدها بحلول نهاية عام 2024. واحدة من المضاعفات الحرجة المرتبطة بـ ESRD هي فقر الدم الكلوي (RA)، الذي يؤثر على ما يصل إلى 90% من مرضى MHD ويرتبط بنتائج سلبية مثل تدهور سريع في وظيفة الكلى، وأحداث قلبية وعائية، وانخفاض جودة الحياة.
تؤكد الورقة على أهمية إدارة فقر الدم بشكل فعال في تحسين توقعات المرضى وجودة حياتهم. تقدم تعلم الآلة (ML) كأداة ناشئة في هذا السياق، قادرة على التنبؤ بالمعلمات السريرية الرئيسية والمضاعفات، بما في ذلك فقر الدم والوفيات. لقد أظهر نموذج التحكم في فقر الدم، الذي ينظم أهداف الهيموغلوبين (Hb)، وعدًا في تقليل مخاطر الاستشفاء. ومع ذلك، تواجه النماذج التنبؤية الحالية قيودًا بسبب عدم كفاية توحيد البيانات وغياب المتغيرات السريرية، مما يعيق قابليتها للتطبيق. تهدف هذه الدراسة إلى تطوير وتقييم نماذج ML للتنبؤ بمستويات Hb المستقبلية لدى مرضى MHD، مستفيدةً من البيانات الطولية المجمعة بشكل روتيني لتعزيز إدارة فقر الدم الشخصية.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. على وجه الخصوص، تُظهر النتائج أن تطبيق المنهجية المقترحة يؤدي إلى تحسين في مقاييس الأداء، كما يتضح من الزيادة الملحوظة في الفعالية المقاسة مقارنةً بالظروف الأساسية.
علاوة على ذلك، تتضمن النتائج تقييمات كمية مفصلة، تُظهر تأثير المتغيرات المختلفة على سلوك النظام العام. توضح التمثيلات البيانية هذه الاتجاهات، مع تسليط الضوء على الظروف المثلى التي تحقق فيها المنهجية المقترحة أقصى الفوائد. بشكل عام، تدعم النتائج الفرضية وتوفر أساسًا قويًا لمزيد من التحقيق في تداعيات الدراسة.
المناقشة
في هذه الدراسة، تم تحليل مجموعة بيانات تضم 2,104 مريضًا في غسيل الكلى المستمر (MHD) لتطوير نماذج تنبؤية لمستويات الهيموغلوبين (Hb) باستخدام تقنيات تعلم الآلة (ML). تم اشتقاق مجموعة البيانات من 44 مركزًا لتنقية الدم في شنتشن، وشملت 9,619 مريضًا على مدى 20 عامًا. كانت الميزات الرئيسية للتنبؤ تشمل خمسة قياسات متتالية من Hb ومعلمات ضغط الدم، حيث تم تحديد أقوى مؤشر على أنه أحدث قيمة Hb، Hb(t-1). استخدمت الدراسة خوارزميات ML متنوعة، بما في ذلك الشبكة العصبية متعددة الطبقات (MLP)، التي أظهرت دقة تنبؤية متفوقة مقارنةً بالنماذج الأخرى، محققة أقل جذر متوسط مربع للخطأ (RMSE) وأعلى معامل تحديد ($R^2$).
تشير النتائج إلى أنه بينما تركز الطرق الإحصائية التقليدية على العلاقات بين المتغيرات، يمكن لتعلم الآلة تحسين التنبؤات دون افتراضات مسبقة حول هذه العلاقات. كما وُجد أن معلمات ضغط الدم لها قيمة تنبؤية، مرتبطة على الأرجح بالآليات الفسيولوجية التي تؤثر على تكوين الكريات الحمراء. ومع ذلك، اعتُبرت العوامل الديموغرافية مثل العمر والجنس أقل أهمية في هذا السياق. تبرز الدراسة الاستخدام المبتكر لمجموعة بيانات كبيرة ومتعددة المراكز لتعزيز قابلية تعميم النماذج التنبؤية لإدارة فقر الدم لدى مرضى MHD، على الرغم من أنها تعترف بالقيود مثل الطبيعة الرصدية للدراسة والحاجة إلى مزيد من التحقق من صحة النماذج في البيئات السريرية.
DOI: https://doi.org/10.3389/fmolb.2026.1746108
PMID: https://pubmed.ncbi.nlm.nih.gov/41797993
Publication Date: 2026-02-20
Author(s): Ting Xie et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This research aimed to develop predictive models for estimating hemoglobin (Hb) levels in maintenance hemodialysis (MHD) patients using various Machine Learning (ML) algorithms. The study analyzed 8,159 records from 2,104 MHD patients across 24 blood purification centers in Shenzhen, employing eight different ML algorithms: Linear Regression (LR), Lasso, Bayesian Ridge, Gradient Boosting (XGBoost), Random Forest (RF), Support Vector Machine (SVM), Multilayer Perceptron (MLP), and Long Short-Term Memory (LSTM). The performance of these models was rigorously evaluated, with the MLP achieving the highest performance metrics, including an $R^2$ of 0.672, a mean absolute error (MAE) of 9.360 g/L, and a root mean square error (RMSE) of 12.438 g/L. The analysis identified the most recent Hb value (Hb(t-1)) as the strongest predictor of future Hb levels.
The findings suggest that ML models, which incorporate demographic data, dialysis treatment records, and historical Hb measurements, can effectively predict future Hb levels in MHD patients. This capability is crucial for the early identification of anemia risk and timely clinical intervention. The study highlights the potential of ML approaches in enhancing anemia management strategies from a non-pharmacological perspective, although further validation is necessary for clinical application. Early prediction of Hb levels using these models may allow clinicians to assess patients’ anemia status prior to routine blood tests, thereby improving individualized management and potentially enhancing long-term patient outcomes.
Introduction
The introduction of the research paper addresses the significant public health challenge posed by end-stage renal disease (ESRD), highlighting its global prevalence, particularly among patients undergoing maintenance hemodialysis (MHD). As of 2023, approximately 3.57 million individuals are estimated to be on dialysis worldwide, with about 1.027 million patients in China alone by the end of 2024. A critical complication associated with ESRD is renal anemia (RA), which affects up to 90% of MHD patients and is linked to adverse outcomes such as rapid renal function decline, cardiovascular events, and reduced quality of life.
The paper emphasizes the importance of effective anemia management in improving patient prognosis and quality of life. It introduces machine learning (ML) as an emerging tool in this context, capable of predicting key clinical parameters and complications, including anemia and mortality. The Anemia Control Model, which regulates hemoglobin (Hb) targets, has shown promise in reducing hospitalization risks. However, existing predictive models face limitations due to inadequate data standardization and missing clinical variables, hindering their applicability. This study aims to develop and evaluate ML models for predicting future Hb levels in MHD patients, leveraging routinely collected longitudinal data to enhance personalized anemia management.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that the application of the proposed methodology leads to an improvement in performance metrics, as evidenced by a notable increase in the measured effectiveness compared to baseline conditions.
Furthermore, the results include detailed quantitative assessments, showcasing the impact of varying parameters on the overall system behavior. Graphical representations illustrate these trends, highlighting the optimal conditions under which the proposed approach yields maximum benefits. Overall, the findings substantiate the hypothesis and provide a strong foundation for further investigation into the implications of the study.
Discussion
In this study, a dataset of 2,104 maintenance hemodialysis (MHD) patients was analyzed to develop predictive models for hemoglobin (Hb) levels using machine learning (ML) techniques. The dataset was derived from 44 blood purification centers in Shenzhen, encompassing 9,619 patients over a 20-year period. Key features for prediction included five consecutive Hb measurements and blood pressure parameters, with the most significant predictor identified as the most recent Hb value, Hb(t-1). The study employed various ML algorithms, including Multilayer Perceptron (MLP), which demonstrated superior predictive accuracy compared to other models, achieving the lowest root mean square error (RMSE) and highest coefficient of determination ($R^2$).
The findings suggest that while traditional statistical methods focus on relationships between variables, ML can optimize predictions without prior assumptions about these relationships. Blood pressure-related parameters were also found to have predictive value, potentially linked to physiological mechanisms affecting erythropoiesis. However, demographic factors such as age and gender were deemed less significant in this context. The study highlights the innovative use of a large-scale, multi-center dataset to enhance the generalizability of predictive models for anemia management in MHD patients, although it acknowledges limitations such as the observational nature of the study and the need for further validation of the models in clinical settings.