DOI: https://doi.org/10.3389/fmed.2025.1596335
PMID: https://pubmed.ncbi.nlm.nih.gov/40703259
تاريخ النشر: 2025-07-09
المؤلف: Anas Bilal وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم هذه الدراسة نظام توقعات ذكي للأحداث القلبية الوعائية يدمج الذكاء الاصطناعي القابل للتفسير (XAI) مع خوارزميات التعلم الآلي المتقدمة. باستخدام مجموعة بيانات شاملة تضم 308,737 سجل مرضى من مجموعة بيانات أمراض القلب على كاجل، يقوم النظام بتحليل ميزات مختلفة مثل العمر، ومؤشر كتلة الجسم، وضغط الدم، ومستويات الكوليسترول، وعوامل نمط الحياة. تشير النتائج إلى أن دمج XAI يعزز من قابلية تفسير التنبؤات المدفوعة بالذكاء الاصطناعي، مما يعزز الثقة بين المهنيين في مجال الرعاية الصحية ويحسن اتخاذ القرارات في رعاية المرضى. حقق النظام المقترح دقة بلغت 91.94% ومعدل خطأ بنسبة 8.06%، متفوقًا على النماذج السابقة.
تسلط الدراسة الضوء على التحديات الحرجة في اكتشاف أمراض القلب والأوعية الدموية، بما في ذلك قابلية تفسير النموذج، وقابلية التطبيق عبر السكان المتنوعين، وضرورة تحقيق دقة عالية. تعيق هذه القضايا التدخلات الفعالة في الرعاية الصحية. يعالج النموذج القائم على XAI هذه التحديات من خلال ضمان كل من الدقة العالية والقابلية للتفسير، مما يسمح للعاملين في مجال الرعاية الصحية بفهم الأسباب وراء التنبؤات المحددة. من خلال تعزيز الشفافية والموثوقية، يهدف هذا النظام إلى تحسين نتائج الرعاية الصحية القلبية الوعائية وتسهيل الوصول العالمي إلى تقنيات الرعاية الصحية المتقدمة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحدي العالمي المستمر الذي تطرحه أمراض القلب والأوعية الدموية (CVD)، التي لا تزال السبب الرئيسي للوفيات في جميع أنحاء العالم، حيث تمثل أكثر من 18 مليون حالة وفاة سنويًا وفقًا لمنظمة الصحة العالمية (WHO). يتم التأكيد على تعقيد توقع CVD من خلال الطبيعة متعددة العوامل لهذه الأمراض، التي تتأثر بالعوامل الوراثية والبيئية ونمط الحياة. تواجه طرق التشخيص التقليدية، بما في ذلك السجلات الطبية الإلكترونية (EMRs) وأجهزة الاستشعار القابلة للارتداء، تحديات كبيرة بسبب البيانات غير المنظمة، والضوضاء، والقيم المفقودة، مما يمكن أن يؤثر على دقة التشخيص. يمثل دمج الذكاء الاصطناعي (AI) في الرعاية الصحية طريقًا واعدًا لتعزيز التنبؤ وإدارة CVD، حيث تظهر النماذج المتقدمة مثل هياكل التعلم العميق إمكانيات في تطبيقات طبية متنوعة.
على الرغم من التقدم في الذكاء الاصطناعي، تعمل النماذج الحالية غالبًا كـ “صناديق سوداء”، تفتقر إلى القابلية للتفسير والشفافية، مما يمكن أن يعيق قبولها في البيئات السريرية. تؤكد هذه الورقة على الحاجة إلى تقنيات الذكاء الاصطناعي القابل للتفسير (XAI)، مثل SHAP وLIME، لتعزيز قابلية تفسير التنبؤات المدفوعة بالذكاء الاصطناعي. من خلال توضيح عمليات اتخاذ القرار لنماذج الذكاء الاصطناعي، تهدف هذه التقنيات إلى بناء الثقة بين المهنيين في مجال الرعاية الصحية وتحسين اتخاذ القرارات السريرية. تسعى الدراسة في النهاية إلى سد الفجوة بين توقعات الذكاء الاصطناعي وتطبيقها العملي في الرعاية الصحية، داعية إلى تطوير أنظمة توقعات ذكية لا تحسن فقط دقة التنبؤ ولكن أيضًا توفر رؤى شفافة حول عوامل خطر القلب والأوعية الدموية.
النتائج
يعزز دمج الذكاء الاصطناعي القابل للتفسير (XAI) في أنظمة التوقعات الذكية بشكل كبير من توقع مخاطر أمراض القلب والأوعية الدموية. تقدم هذه الدراسة نموذج توقعات جديد لا يحسن فقط الأداء التنبؤي ولكن أيضًا يوفر رؤى قابلة للتفسير حول عملية اتخاذ القرار. من خلال استخدام تقنيات التعلم الآلي المتقدمة جنبًا إلى جنب مع XAI، يعزز النظام المقترح الشفافية والثقة، مما يسمح للمهنيين في مجال الرعاية الصحية بفهم العوامل المؤثرة في كل توقع. تتكون مجموعة البيانات المستخدمة من 80% للتدريب و20% للاختبار، مما يضمن أن التوقعات دقيقة وقابلة للتفسير، وهو أمر حاسم لاتخاذ قرارات صحية مستنيرة.
تُظهر النتائج من خلال أشكال مختلفة توضح توزيعات الميزات الرئيسية مثل “الطول”، و”الوزن”، ومؤشر كتلة الجسم (BMI) بالنسبة لمتغير هدف ثنائي يدل على خطر القلب والأوعية الدموية. على سبيل المثال، تقدم الشكل 3 توزيع الكثافة لـ “الطول” عبر فئتين مستهدفتين، مما يسهل التحليل المقارن. وبالمثل، تصور الشكل 4 توزيع “الوزن”، بينما يركز الشكل 5 على مؤشر كتلة الجسم، مبرزًا الفروق بين الأفراد الذين يعانون من أمراض القلب والذين لا يعانون منها. تستخدم كل شكل ترميزًا لونيًا مميزًا وتشتمل على عناصر بصرية مفصلة، مثل منحنيات الكثافة المملوءة ومخططات السجادة، لتعزيز فهم العلاقات بين هذه الميزات وخطر القلب والأوعية الدموية.
المناقشة
يجمع النموذج المقترح لتوقع أمراض القلب والأوعية الدموية (CVD) بين طبقات مختلفة لتعزيز الكفاءة وقابلية التفسير في تطبيقات الرعاية الصحية. تسهل طبقة الإدخال الاتصال اللاسلكي للبيانات الحسية، بينما تضمن الطبقة الموجهة للخدمة جمع البيانات ونقلها بشكل فعال. تستخدم طبقة المعالجة المسبقة تقنيات مثل التنعيم المتوسط والتطبيع لإعداد البيانات للنمذجة، والتي يتم تخزينها لاحقًا في السحابة. تستخدم طبقة التدريب طرق التعلم الآلي جنبًا إلى جنب مع تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) مثل SHAP وLIME لإنشاء نماذج قابلة للتفسير، حيث يتم تخصيص 80% من البيانات للتدريب و20% للاختبار. تقيم طبقة الأداء فعالية النموذج، وتضمن خطوة التحقق التعلم المستمر والتكيف بناءً على التوقعات السابقة.
يعزز دمج XAI بشكل كبير من شفافية النموذج، مما يسمح للمهنيين في مجال الرعاية الصحية بفهم الأسباب وراء التوقعات. يوفر SHAP تفسيرات عالمية لمساهمات الميزات، بينما يقدم LIME رؤى محلية حول التوقعات الفردية. لا تبني هذه المقاربة المزدوجة الثقة في النموذج فحسب، بل تمكن أيضًا الأطباء من التركيز على عوامل الخطر القابلة للتعديل، مما يحسن رعاية المرضى. يظهر النموذج دقة عالية (91.94%) ويتفوق على الطرق الحالية، مما يعالج التحديات الحرجة في اكتشاف CVD، مثل قابلية التفسير وقابلية التطبيق عبر السكان المتنوعين. تهدف الأعمال المستقبلية إلى تعزيز قابلية تعميم النموذج من خلال دمج مجموعات بيانات أكثر تنوعًا، مما يجعل تقنيات الرعاية الصحية المتقدمة أكثر وصولًا وموثوقية في النهاية.
DOI: https://doi.org/10.3389/fmed.2025.1596335
PMID: https://pubmed.ncbi.nlm.nih.gov/40703259
Publication Date: 2025-07-09
Author(s): Anas Bilal et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This research presents an intelligent forecasting system for cardiovascular events that integrates explainable artificial intelligence (XAI) with advanced machine learning algorithms. Utilizing a comprehensive dataset of 308,737 patient records from the Kaggle Cardiovascular Disease dataset, the system analyzes various features such as age, BMI, blood pressure, cholesterol levels, and lifestyle factors. The results indicate that the incorporation of XAI enhances the interpretability of AI-driven predictions, thereby fostering trust among healthcare professionals and improving decision-making in patient care. The proposed system achieved an accuracy of 91.94% and an 8.06% miss rate, outperforming previous models.
The study highlights critical challenges in cardiovascular disease detection, including model interpretability, applicability across diverse populations, and the necessity for high accuracy. These issues hinder effective healthcare interventions. The proposed XAI-based model addresses these challenges by ensuring both high accuracy and explainability, which allows healthcare workers to comprehend the rationale behind specific predictions. By enhancing transparency and reliability, this system aims to improve cardiovascular healthcare outcomes and facilitate the global accessibility of advanced healthcare technologies.
Introduction
The introduction of the research paper highlights the persistent global challenge posed by cardiovascular diseases (CVD), which remain the leading cause of mortality worldwide, accounting for over 18 million deaths annually according to the World Health Organization (WHO). The complexity of predicting CVD is underscored by the multifactorial nature of these diseases, which are influenced by genetic, environmental, and lifestyle factors. Traditional diagnostic methods, including Electronic Medical Records (EMRs) and wearable sensors, face significant challenges due to unstructured data, noise, and missing values, which can compromise diagnostic accuracy. The integration of artificial intelligence (AI) into healthcare presents a promising avenue for enhancing the prediction and management of CVD, with advanced models such as deep learning architectures showing potential in various medical applications.
Despite the advancements in AI, existing models often operate as “black boxes,” lacking interpretability and transparency, which can hinder their acceptance in clinical settings. This paper emphasizes the need for Explainable Artificial Intelligence (XAI) techniques, such as SHAP and LIME, to enhance the interpretability of AI-driven predictions. By elucidating the decision-making processes of AI models, these techniques aim to build trust among healthcare professionals and improve clinical decision-making. The research ultimately seeks to bridge the gap between AI predictions and their practical application in healthcare, advocating for the development of intelligent forecasting systems that not only improve prediction accuracy but also provide transparent insights into cardiovascular risk factors.
Results
The integration of Explainable Artificial Intelligence (XAI) into intelligent forecasting systems significantly enhances the prediction of cardiovascular disease risks. This research presents a novel forecasting model that not only improves predictive performance but also provides interpretable insights into the decision-making process. By employing advanced machine learning techniques alongside XAI, the proposed system fosters transparency and trust, allowing healthcare professionals to comprehend the factors influencing each prediction. The dataset utilized consists of 80% for training and 20% for testing, ensuring that the predictions are both accurate and explainable, which is crucial for informed healthcare decisions.
The results are illustrated through various figures that depict the distributions of key features such as “Height,” “Weight,” and Body Mass Index (BMI) in relation to a binary target variable indicative of cardiovascular risk. For instance, Figure 3 presents the density distribution of “Height” across two target classes, facilitating a comparative analysis. Similarly, Figure 4 visualizes the “Weight” distribution, while Figure 5 focuses on BMI, highlighting differences between individuals with and without heart disease. Each figure employs distinct color coding and includes detailed visual elements, such as filled density curves and rug plots, to enhance understanding of the relationships between these features and cardiovascular risk.
Discussion
The proposed model for predicting cardiovascular disease (CVD) integrates various layers to enhance efficiency and interpretability in healthcare applications. The input layer facilitates wireless communication of sensory data, while the service-oriented layer ensures effective data collection and transmission. The pre-processing layer employs techniques such as averaging smoothing and normalization to prepare data for modeling, which is subsequently stored in the cloud. The training layer utilizes machine learning methods alongside Explainable AI (XAI) techniques like SHAP and LIME to create interpretable models, with 80% of data allocated for training and 20% for testing. The performance layer evaluates model efficacy, and the validation step ensures continuous learning and adaptation based on previous predictions.
The incorporation of XAI significantly enhances the model’s transparency, allowing healthcare professionals to understand the rationale behind predictions. SHAP provides global explanations of feature contributions, while LIME offers local insights into individual predictions. This dual approach not only builds trust in the model but also enables clinicians to focus on modifiable risk factors, thereby improving patient care. The model demonstrates high accuracy (91.94%) and outperforms existing methods, addressing critical challenges in CVD detection, such as interpretability and applicability across diverse populations. Future work aims to enhance model generalizability by incorporating more diverse datasets, ultimately making advanced healthcare technologies more accessible and reliable.