DOI: https://doi.org/10.1371/journal.pone.0347672
PMID: https://pubmed.ncbi.nlm.nih.gov/42172283
تاريخ النشر: 2026-05-22
المؤلف: Muhammad Saleem وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول هذه البحث الحاجة الملحة لإدارة فعالة للسكري من خلال اقتراح نظام هجين يدمج النمذجة التنبؤية مع توصيات نمط الحياة الشخصية. يستخدم النظام مجموعة بيانات جديدة مدمجة مستمدة من مجموعات بيانات PIMA ومرض السكري من النوع 2، تمت معالجتها من خلال بروتوكول آمن لتسرب البيانات لتعزيز القابلية للتعميم. في قلب النظام يوجد نموذج ذاكرة طويلة وقصيرة المدى ثنائي الاتجاه (BiLSTM) قوي، والذي تفوق على سبعة نماذج تقليدية للتعلم الآلي ونماذج التعلم العميق القياسية من حيث التعميم والأداء التنبؤي، محققًا دقة تبلغ 84.02%، ودقة تبلغ 87.89%، واسترجاع يبلغ 80.50% من خلال التحقق المتقاطع الصارم ذو العشرة طيات.
تكمن المساهمة الكبيرة للدراسة في تطوير نموذج BiLSTM، الذي، عند دمجه مع محرك قائم على القواعد لتوجيه الصحة الشخصية، ينشئ أداة شاملة تربط بفعالية بين تقييم المخاطر السريرية واستراتيجيات الإدارة الذاتية الاستباقية للمرضى. تشمل اتجاهات البحث المستقبلية دمج بيانات قابلة للارتداء في الوقت الحقيقي، وتطبيق التعلم المعزز لتحسين التوصيات، وتنفيذ الذكاء الاصطناعي القابل للتفسير (XAI) لتحسين شفافية النظام.
مقدمة
تتناول مقدمة هذه الورقة البحثية انتشار مرض السكري على مستوى العالم وطبيعته الحرجة، مع تسليط الضوء على التمييز بين السكري من النوع 1 والنوع 2. يتميز النوع 1 بأنه اضطراب مناعي ذاتي يؤدي إلى إنتاج غير كافٍ للأنسولين، بينما ينتج النوع 2 عن الاستخدام غير الفعال للأنسولين من قبل الجسم. تشير التوقعات إلى أنه بحلول عام 2030، سيعيش أكثر من نصف مليار فرد مع السكري، مع عدد كبير غير مشخص. تشمل العواقب طويلة الأجل لإدارة السكري بشكل سيء مضاعفات صحية خطيرة مثل الأمراض القلبية الوعائية والاعتلال العصبي. تعاني طرق مراقبة الجلوكوز التقليدية الغازية من انخفاض التزام المرضى، مما يبرز الحاجة الملحة لأدوات تشخيص غير غازية.
لمعالجة هذه التحديات، تقترح الورقة نظامًا مبتكرًا يستخدم نموذج ذاكرة طويلة وقصيرة المدى ثنائي الاتجاه (BiLSTM)، الذي يعالج المعلومات بشكل ثنائي الاتجاه لالتقاط العلاقات المعقدة وغير الخطية في البيانات السريرية. تهدف هذه الطريقة إلى تعزيز التنبؤ المبكر بمخاطر السكري من خلال تحليل الاتجاهات الصحية الطولية بدلاً من معالجة البيانات الصحية كأحداث منفصلة. علاوة على ذلك، يدمج النظام المقترح نموذج BiLSTM مع نظام دعم القرار القائم على القواعد (DSS) لتقديم توصيات نمط حياة شخصية، مما يسهل الانتقال من تحديد المخاطر إلى إدارة ذاتية فعالة للمرضى. تشمل المساهمات الرئيسية للدراسة تطوير نموذج BiLSTM لتقييم مخاطر السكري بشكل قوي وإنشاء نموذج أولي قائم على الويب يظهر التطبيق العملي لهذه الطريقة المتكاملة.
الطرق
استخدمت الدراسة منهجية بحث علوم التصميم (DSR)، وهي نهج منظم يهدف إلى إنشاء وتقييم عناصر تكنولوجيا المعلومات (IT) لمعالجة القضايا الواقعية. تتكون هذه المنهجية من ثلاث مراحل متميزة: (1) تحديد المشكلة، (2) تصميم وتطوير النموذج الأولي، و(3) عرض وتقييم النموذج الأولي. من خلال اتباع هذا النهج المنهجي، تضمن الدراسة أن النظام الناتج يكون قويًا من الناحية التقنية وذو صلة سريرية، مما يعزز فعاليته في التطبيقات العملية. تم تقديم مخطط تدفق يوضح المنهجية المقترحة في الشكل 1.
النتائج
تظهر نتائج الدراسة فعالية نموذج ذاكرة طويلة وقصيرة المدى ثنائي الاتجاه (biLSTM) المقترح في التنبؤ بالسكري، مما يبرز أدائه القوي وموثوقيته السريرية. باستخدام نهج تحقق متقاطع ذو عشرة طيات آمن من التسرب، ضمنت الدراسة أن معالجة البيانات تمت داخل كل طية، مما يوفر تقييمًا واقعيًا لأداء النموذج على البيانات السريرية غير المرئية. حقق نموذج biLSTM دقة متوسطة تم التحقق منها تبلغ 84.02%، متفوقًا على نماذج التعلم الآلي التقليدية (ML) مثل Naive Bayes وK-Nearest Neighbors، بالإضافة إلى هياكل التعلم العميق القياسية مثل الشبكات العصبية المتكررة (RNN) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM). ومن الجدير بالذكر أن نموذج biLSTM أظهر دقة عالية تبلغ 87.89%، وهو أمر حاسم في البيئات السريرية لتقليل الإنذارات الكاذبة والتنبيهات غير الضرورية للأفراد المصابين بالسكري.
أشارت تحليل مصفوفة الالتباس إلى أن النموذج يحافظ على خصوصية عالية ويوازن بشكل فعال تصنيف الحالات السكري وغير السكري. بالإضافة إلى ذلك، أظهرت منحنيات التدريب والتحقق عملية تقارب مستقرة، مع فجوة ضئيلة بين منحنيات التدريب والاختبار، مما يشير إلى قدرة النموذج القوية على التعميم. وهذا يشير إلى أن نموذج biLSTM يلتقط بنجاح أنماط سريرية ذات مغزى دون الإفراط في التكيف، مما يجعله أداة قوية للتنبؤ بالسكري.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الفجوة الحرجة في أنظمة إدارة السكري، التي غالبًا ما تتفوق في دقة التنبؤ ولكنها تفشل في تقديم إرشادات قابلة للتنفيذ للمرضى. تكشف مراجعة الأدبيات عن تقدم من نماذج التعلم الآلي التقليدية (ML) إلى نهج التعلم العميق الأكثر تطورًا (DL)، مع دراسات تظهر معدلات دقة عالية باستخدام خوارزميات متنوعة. ومع ذلك، تركز هذه النماذج بشكل أساسي على التشخيص، مما يؤدي إلى “نهاية تشخيصية” حيث يتلقى المرضى درجات مخاطر دون استراتيجيات إدارة لاحقة. تحدد البحث مشكلتين رئيسيتين: القدرة المحدودة للتعلم الآلي التقليدي على التقاط العلاقات المعقدة في البيانات وغياب أطر الإدارة الذاتية المتكاملة في الدراسات الحالية.
لمعالجة هذه التحديات، يجمع النظام الهجين المقترح بين نموذج ذاكرة طويلة وقصيرة المدى ثنائي الاتجاه (BiLSTM) للتنبؤ الدقيق بمخاطر السكري مع محرك توصية قائم على القواعد يقدم إرشادات شخصية. حقق نموذج BiLSTM دقة تبلغ 84.02%، متفوقًا على المصنفات التقليدية ويظهر القدرة على فهم التفاعلات المعقدة بين الميزات. لا يعزز هذا النهج المتكامل القدرات التشخيصية فحسب، بل يترجم أيضًا الرؤى التنبؤية إلى استراتيجيات إدارة ذاتية قابلة للتنفيذ، مما يسد الفجوة بين التشخيص ورعاية المرضى. ستركز الأعمال المستقبلية على دمج البيانات في الوقت الحقيقي وتعزيز شفافية النظام من خلال الذكاء الاصطناعي القابل للتفسير (XAI).
DOI: https://doi.org/10.1371/journal.pone.0347672
PMID: https://pubmed.ncbi.nlm.nih.gov/42172283
Publication Date: 2026-05-22
Author(s): Muhammad Saleem et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This research addresses the critical need for effective diabetes management by proposing a hybrid system that integrates predictive modeling with personalized lifestyle recommendations. The system utilizes a novel fused dataset derived from the PIMA and Type 2 Diabetes datasets, processed through a leakage-safe protocol to enhance generalizability. Central to the system is a Strong Bidirectional Long Short Term Memory (BiLSTM) model, which outperformed seven traditional machine learning and standard deep learning models in terms of generalization and predictive performance, achieving an accuracy of 84.02%, precision of 87.89%, and recall of 80.50% through rigorous 10-fold cross-validation.
The study’s significant contribution lies in the development of the BiLSTM model, which, when combined with a rule-based engine for personalized health guidance, creates a comprehensive tool that effectively links clinical risk assessment with proactive self-management strategies for patients. Future research directions include the integration of real-time wearable data, the application of reinforcement learning for enhanced recommendations, and the implementation of explainable artificial intelligence (XAI) to improve system transparency.
Introduction
The introduction of this research paper addresses the global prevalence and critical nature of diabetes, highlighting the distinction between Type 1 and Type 2 diabetes. Type 1 is characterized as an autoimmune disorder leading to insufficient insulin production, while Type 2 results from the body’s ineffective use of insulin. Projections indicate that by 2030, over half a billion individuals will be living with diabetes, with a significant number undiagnosed. The long-term consequences of poorly managed diabetes include severe health complications such as cardiovascular diseases and neuropathy. Traditional invasive glucose monitoring methods suffer from low patient compliance, underscoring the urgent need for non-invasive diagnostic tools.
To address these challenges, the paper proposes an innovative system utilizing a Bidirectional Long Short-Term Memory (BiLSTM) model, which processes information bidirectionally to capture complex, non-linear relationships in clinical data. This approach aims to enhance early prediction of diabetes risk by analyzing longitudinal health trends rather than treating health data as discrete events. Furthermore, the proposed system integrates the BiLSTM model with a rule-based decision support system (DSS) to provide personalized lifestyle recommendations, thereby facilitating a transition from risk identification to effective patient self-management. Key contributions of the study include the development of the BiLSTM model for robust diabetes risk assessment and the creation of a web-based prototype that demonstrates the practical application of this integrated approach.
Methods
The research employed the Design Science Research (DSR) methodology, a structured approach aimed at creating and evaluating Information Technology (IT) artifacts to address real-world issues. This methodology comprises three distinct phases: (1) problem identification, (2) prototype design and development, and (3) prototype demonstration and evaluation. By following this systematic approach, the study ensures that the resulting system is both technically robust and clinically relevant, thereby enhancing its effectiveness in practical applications. A flow diagram illustrating the proposed methodology is provided in Figure 1.
Results
The results of the study demonstrate the effectiveness of the proposed bi-directional Long Short-Term Memory (biLSTM) model in predicting diabetes, showcasing its robust performance and clinical reliability. Utilizing a leakage-safe 10-fold stratified cross-validation approach, the study ensured that data preprocessing was conducted within each fold, providing a realistic assessment of the model’s performance on unseen clinical data. The biLSTM model achieved an average cross-validated accuracy of 84.02%, outperforming traditional machine learning (ML) models such as Naive Bayes and K-Nearest Neighbors, as well as standard deep learning (DL) architectures like Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) networks. Notably, the biLSTM model exhibited a high precision of 87.89%, which is critical in clinical settings to minimize false alarms and unnecessary alerts for individuals with diabetes.
The confusion matrix analysis indicated that the model maintains high specificity and effectively balances the classification of diabetic and non-diabetic instances. Additionally, the training and validation curves illustrated a stable convergence process, with a minimal gap between the training and testing curves, indicating the model’s strong generalization ability. This suggests that the biLSTM model successfully captures meaningful clinical patterns without overfitting, making it a powerful tool for diabetes prediction.
Discussion
The discussion section of the research paper highlights the critical gap in diabetes management systems, which often excel in predictive accuracy but fail to provide actionable guidance for patients. The literature review reveals a progression from traditional machine learning (ML) models to more sophisticated deep learning (DL) approaches, with studies demonstrating high accuracy rates using various algorithms. However, these models primarily focus on diagnosis, leading to a “diagnostic dead end” where patients receive risk scores without subsequent management strategies. The research identifies two main issues: the limited capacity of traditional ML to capture complex data relationships and the lack of integrated self-management frameworks in existing studies.
To address these challenges, the proposed hybrid system combines a Bidirectional Long Short-Term Memory (BiLSTM) model for accurate diabetes risk prediction with a rule-based recommendation engine that provides personalized guidance. The BiLSTM model achieved an accuracy of 84.02%, outperforming traditional classifiers and demonstrating the ability to understand complex feature interactions. This integrated approach not only enhances diagnostic capabilities but also translates predictive insights into actionable self-management strategies, effectively bridging the gap between diagnosis and patient care. Future work will focus on incorporating real-time data and enhancing system transparency through Explainable AI (XAI).