DOI: https://doi.org/10.1038/s41598-026-59451-5
PMID: https://pubmed.ncbi.nlm.nih.gov/42350585
تاريخ النشر: 2026-06-25
المؤلف: Md Soumike Hassan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
يتناول القسم المعنون “نظرة عامة” تطبيق تقنيات تحسين بايزي في سياق البحث المقدم. تحسين بايزي هو نهج قائم على نموذج احتمالي فعال بشكل خاص في تحسين الدوال المعقدة التي تكون مكلفة للتقييم. تستفيد المنهجية من المعرفة السابقة وتحديث المعتقدات بناءً على البيانات الملاحظة لاستكشاف مساحة المعلمات بكفاءة.
تشير النتائج إلى أن النهج المحسن بايزي يعزز بشكل كبير أداء النظام قيد الدراسة، مما يؤدي إلى نتائج محسنة مقارنة بأساليب التحسين التقليدية. تظهر النتائج قوة تحسين بايزي في التعامل مع عدم اليقين وقدرته على الاقتراب من الحلول المثلى بشكل أسرع، مما يجعله أداة قيمة في تطبيقات متنوعة.
مقدمة
تناقش مقدمة ورقة البحث متلازمة الأيض (MS)، وهي حالة قلبية أيضية متعددة الأوجه تتميز بالسمنة المركزية، وضعف تنظيم الجلوكوز، والخلل الدهني، وارتفاع ضغط الدم. تزيد هذه العوامل بشكل كبير من خطر مشاكل صحية خطيرة، بما في ذلك داء السكري من النوع 2، وأمراض القلب والأوعية الدموية، والوفيات المبكرة. بالإضافة إلى ذلك، ترتبط متلازمة الأيض بمضاعفات صحية أخرى، مثل مرض الكبد الدهني غير الكحولي وتوقف التنفس أثناء النوم الانسدادي. يُعزى الارتفاع في انتشار متلازمة الأيض، خاصة في البلدان ذات الدخل المنخفض والمتوسط، إلى التحضر، وشيخوخة السكان، واختيارات نمط الحياة غير الصحية.
على الرغم من الاعتراف المتزايد بمتلازمة الأيض، تركز الدراسات الحالية في مجال التعلم الآلي (ML) بشكل أساسي على تصنيفها في السكان العامين بدلاً من تقييم حالة التحكم في متلازمة الأيض لدى المرضى الذين تم تشخيصهم بالفعل بأمراض غير معدية (NCDs) ويتلقون رعاية في المستشفيات. هذه الفجوة واضحة بشكل خاص في إعدادات الرعاية الصحية في بنغلاديش، حيث تظل العوامل المؤثرة في إدارة متلازمة الأيض، مثل الالتزام بالعلاج ومراقبة سلوك الصحة، غير مستكشفة بشكل كافٍ. تهدف الدراسة إلى استخدام مصنفات التعلم الآلي المحسنة بايزي لتقييم وتفسير حالة التحكم الحالية في متلازمة الأيض بين مرضى NCD البالغين في المستشفيات الحكومية في بنغلاديش. من خلال مقارنة خوارزميات التعلم الآلي المختلفة واستخدام تقنيات الذكاء الاصطناعي القابلة للتفسير، تهدف البحث إلى تحديد النماذج الفعالة والعوامل الحاسمة التي يمكن أن تعزز إدارة NCD وتقليل مخاطر الأيض في البيئات ذات الموارد المحدودة.
الطرق
في هذه الدراسة، تم جمع البيانات من المرضى الذين يزورون زوايا الأمراض غير المعدية (NCD) في مستشفيات Upazila في بنغلاديش. يتم تمثيل المنهجية بصريًا في مخطط انسيابي، يوضح عملية جمع البيانات وتحليلها. كانت الطريقة التحليلية الرئيسية المستخدمة هي الذكاء الاصطناعي القابل للتفسير (XAI)، باستخدام SHapley Additive exPlanations (SHAP) لتقييم قابلية تفسير النموذج. يوفر SHAP إطارًا نظريًا للألعاب ينسب بشكل عادل مساهمات الميزات إلى التصنيفات الفردية من خلال حساب متوسط المساهمة الهامشية لكل ميزة عبر جميع التركيبات الممكنة.
النموذج المختار لهذا التحليل كان غابة عشوائية، وهي طريقة تجميع قائمة على الأشجار. لحساب قيم شابلي بكفاءة، تم استخدام TreeExplainer، الذي يستفيد من هيكل الأشجار القرارية. تم حساب قيم SHAP على مجموعة اختبار محجوزة تتكون من 95 حالة، مع التركيز على الفئة الإيجابية (متلازمة الأيض تحت السيطرة، الفئة = 1). تم تلخيص أهمية الميزات باستخدام قيم SHAP المطلقة المتوسطة عبر جميع حالات الاختبار، مما يضمن توزيعًا عادلًا للأهمية بين الميزات. يتم تقديم التعريف الرسمي لقيمة شابلي في المعادلة:
\[
\Phi(x_i) = \sum_{S \subseteq \{1,2,\ldots,K\}} \frac{|S|!(K – |S| – 1)!}{K!} [f_x(S \cup \{i\}) – f_x(S)]
\]
حيث \( K \) يدل على العدد الإجمالي للميزات.
النتائج
يوفر قسم النتائج في الدراسة حول التحكم في متلازمة الأيض (MS) تحليلًا شاملاً للخصائص الديموغرافية للمشاركين وأداء نماذج التعلم الآلي في التنبؤ بنتائج متلازمة الأيض. استخدم التحليل مقاييس أداء متنوعة، بما في ذلك الدقة، والمساحة تحت المنحنى (AUC)، والدقة، والاسترجاع، ودرجة F1، جنبًا إلى جنب مع ضبط المعلمات الفائقة وتقييم أهمية الميزات عبر قيم SHAP. تشير النتائج إلى أن 51.1% من 472 مريضًا بالغًا يعانون من أمراض غير معدية حققوا تحكمًا في متلازمة الأيض، مع تباينات كبيرة بناءً على إعدادات الرعاية وعوامل سوسيو ديموغرافية محددة.
من الجدير بالذكر أن المستشفيات من المستوى الثانوي أظهرت أعلى معدل تحكم بنسبة 62.3% (p < 0.001)، وكانت الدين الإسلامي عاملًا مهمًا، حيث أظهر المرضى الهندوس معدل تحكم أعلى (63.9%) مقارنة بالمرضى المسلمين (49.6%، p = 0.027). ظهرت الخصائص السريرية كمتنبئات قوية للتحكم في متلازمة الأيض، حيث أثر تعدد الأدوية سلبًا على النتائج؛ كان معدل التحكم للمرضى الذين يتناولون خمسة أدوية أو أكثر 40.8% فقط (p = 0.007). بالإضافة إلى ذلك، كانت وجود الأمراض المصاحبة مثل الخلل الدهني، وارتفاع ضغط الدم، والسكري مرتبطًا بمعدلات تحكم ضعيفة، خاصة بين أولئك الذين يعانون من حالات متعددة. كانت سلوكيات الصحة، بما في ذلك الالتزام بالعلاج والنشاط البدني، عوامل حاسمة للنجاح، حيث ارتبط الالتزام العالي بمعدل تحكم قدره 58.3% مقارنة بـ 28.4% للالتزام المنخفض. كما أثرت المشاركة المجتمعية والتفاعل مع خدمات الصحة بشكل إيجابي على النتائج، مما يبرز أهمية كل من السلوكيات الفردية والتفاعلات النظامية في إدارة متلازمة الأيض بشكل فعال.
المناقشة
استخدمت الدراسة تصميم مسح مقطعي لتقييم التحكم في متلازمة الأيض (MS) بين البالغين الذين تتراوح أعمارهم بين 40 عامًا وما فوق والذين يعانون من حالات مزمنة في 14 مستشفى حكومي في بنغلاديش. تم تحليل 472 استجابة صالحة، مع التركيز على المتغيرات الديموغرافية والسريرية وسلوكيات الصحة. تم تعريف المتغير التابع، حالة التحكم في متلازمة الأيض، وفقًا لمعايير الاتحاد الدولي للسكري. استخدمت الدراسة نماذج تعلم آلي متنوعة، بما في ذلك غابة عشوائية، وCatBoost، وMultilayer Perceptron (MLP)، لتصنيف حالة التحكم في متلازمة الأيض، حيث برزت غابة عشوائية كنموذج الأكثر فعالية، محققة أعلى مساحة تحت منحنى ROC (AUC) قدرها 0.735 وأظهرت حساسية ودقة متفوقتين.
تم استخدام تحسين بايزي لضبط المعلمات الفائقة عبر النماذج، مما يعزز مقاييس الأداء مثل الدقة، والاسترجاع، ودرجة F1. كشفت التحليلات أن عبء الأمراض المصاحبة وتعدد الأدوية كانا متنبئين مهمين للتحكم في متلازمة الأيض، مما يبرز الحاجة إلى استراتيجيات إدارة شاملة للمرضى الذين يعانون من حالات مزمنة متعددة. بالإضافة إلى ذلك، تم تحديد عوامل نمط الحياة مثل النشاط البدني والالتزام بالعلاج كعوامل حاسمة لتحسين نتائج متلازمة الأيض. تشير النتائج إلى أن التدخلات المستهدفة التي تركز على تعديلات نمط الحياة وتعزيز خدمات الرعاية الصحية يمكن أن تحسن بشكل كبير التحكم في متلازمة الأيض بين مرضى الأمراض غير المعدية في بنغلاديش.
القيود
تقدم الدراسة عدة نقاط قوة، لا سيما تركيزها على بنغلاديش، حيث البيانات حول الحالة الحالية للتحكم في متلازمة الأيض (MS) في السكان القائمين على المستشفيات محدودة. تستخدم تحليلًا مقارنًا لعدة مصنفات تعلم آلي محسنة بايزي وتستخدم إطار تقييم قوي يتضمن التحقق المتقاطع، وفترات الثقة بالأسلوب، وتحليل المعايرة، وتحليل تباين البذور، واختبار مك نيمار. بالإضافة إلى ذلك، يتم استخدام تحليل SHAP لتعزيز قابلية تفسير النموذج من خلال تحديد العوامل السريرية والسلوكية ذات الصلة التي تؤثر على التحكم في متلازمة الأيض.
ومع ذلك، يجب تفسير النتائج بحذر بسبب عدة قيود. يحد التصميم المقطعي للدراسة من قدرته على إجراء استنتاجات تنبؤية أو سببية بشأن التحكم المستقبلي في متلازمة الأيض. قد يحد حجم العينة النسبي الصغير والتركيز على مرضى المستشفيات الحكومية الذين يعانون من الأمراض غير المعدية (NCDs) من إمكانية تعميم النتائج على السكان الأوسع. قد تؤثر التحيزات المحتملة، مثل الإبلاغ الذاتي وعدم دقة القياسات، أيضًا على مقاييس الخدمة والسلوك. على الرغم من تطبيق تقنيات التحقق الداخلي، فإن التحقق الخارجي ضروري لتأكيد قابلية تطبيق النموذج واستقراره بمرور الوقت، فضلاً عن إمكانيته في تحسين المتابعة، والإرشاد، وتخصيص الموارد، والرعاية الروتينية للأمراض غير المعدية في البيئات ذات الموارد المحدودة.
DOI: https://doi.org/10.1038/s41598-026-59451-5
PMID: https://pubmed.ncbi.nlm.nih.gov/42350585
Publication Date: 2026-06-25
Author(s): Md Soumike Hassan et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The section titled “Overview” discusses the application of Bayesian optimization techniques in the context of the research presented. Bayesian optimization is a probabilistic model-based approach that is particularly effective for optimizing complex functions that are expensive to evaluate. The methodology leverages prior knowledge and updates beliefs based on observed data to efficiently explore the parameter space.
The findings indicate that the Bayesian-optimized approach significantly enhances the performance of the system under study, leading to improved outcomes compared to traditional optimization methods. The results demonstrate the robustness of Bayesian optimization in handling uncertainty and its ability to converge to optimal solutions more rapidly, thereby making it a valuable tool in various applications.
Introduction
The introduction of the research paper discusses metabolic syndrome (MS), a multifaceted cardiometabolic condition marked by central obesity, impaired glucose regulation, dyslipidemia, and elevated blood pressure. These factors significantly heighten the risk of serious health issues, including type 2 diabetes, cardiovascular diseases, and premature mortality. Additionally, MS is linked to various other health complications, such as non-alcoholic fatty liver disease and obstructive sleep apnea. The rising prevalence of MS, particularly in low- and middle-income countries, is attributed to urbanization, aging populations, and unhealthy lifestyle choices.
Despite the increasing recognition of MS, existing machine learning (ML) studies predominantly focus on its classification in general populations rather than assessing the control status of MS in patients already diagnosed with non-communicable diseases (NCDs) receiving hospital care. This gap is particularly evident in Bangladeshi healthcare settings, where factors influencing MS management, such as medication adherence and health behavior monitoring, remain underexplored. The study aims to utilize Bayesian-optimized ML classifiers to evaluate and interpret the current MS control status among adult NCD patients in government hospitals in Bangladesh. By comparing various ML algorithms and employing explainable artificial intelligence techniques, the research intends to identify effective models and critical factors that could enhance NCD management and metabolic risk reduction in resource-limited settings.
Methods
In this study, data were collected from patients visiting the non-communicable disease (NCD) corners of Upazila hospitals in Bangladesh. The methodology is visually represented in a flowchart, detailing the process of data collection and analysis. The primary analytical approach employed was Explainable AI (XAI), specifically utilizing SHapley Additive exPlanations (SHAP) to assess model interpretability. SHAP provides a game-theoretic framework that fairly attributes feature contributions to individual classifications by calculating the average marginal contribution of each feature across all possible combinations.
The model selected for this analysis was a Random Forest, a tree-based ensemble method. To compute Shapley values efficiently, the TreeExplainer was utilized, which leverages the structure of the decision trees. SHAP values were calculated on a held-out test set consisting of 95 instances, focusing on the positive class (MS Controlled, class = 1). The feature importance was summarized using mean absolute SHAP values across all test instances, ensuring an equitable distribution of importance among features. The formal definition of the Shapley value is provided in the equation:
\[
\Phi(x_i) = \sum_{S \subseteq \{1,2,\ldots,K\}} \frac{|S|!(K – |S| – 1)!}{K!} [f_x(S \cup \{i\}) – f_x(S)]
\]
where \( K \) denotes the total number of features.
Results
The Results section of the study on Metabolic Syndrome (MS) control provides a comprehensive analysis of participant demographics and the performance of machine learning models in predicting MS outcomes. The analysis utilized various performance metrics, including accuracy, area under the curve (AUC), precision, recall, and F1-score, alongside hyperparameter tuning and feature importance assessment via SHAP values. The findings indicate that 51.1% of the 472 adult patients with non-communicable diseases achieved MS control, with significant variations based on care settings and specific sociodemographic factors.
Notably, secondary-level hospitals exhibited the highest control rate at 62.3% (p < 0.001), and religion was a significant factor, with Hindu patients showing a higher control rate (63.9%) compared to Muslim patients (49.6%, p = 0.027). Clinical characteristics emerged as strong predictors of MS control, with polypharmacy negatively impacting outcomes; patients on five or more medications had a control rate of only 40.8% (p = 0.007). Additionally, the presence of comorbidities such as dyslipidemia, hypertension, and diabetes was linked to poor control rates, particularly among those with multiple conditions. Health behaviors, including medication adherence and physical activity, were crucial determinants of success, with high adherence correlating with a 58.3% control rate compared to 28.4% for low adherence. Community participation and engagement with health services also positively influenced outcomes, underscoring the importance of both individual behaviors and systemic interactions in managing MS effectively.
Discussion
The study utilized a cross-sectional survey design to assess Metabolic Syndrome (MS) control among adults aged 40 and older with chronic conditions in 14 government hospitals in Bangladesh. A total of 472 valid responses were analyzed, focusing on demographic, clinical, and health behavior covariates. The dependent variable, MS control status, was defined according to the International Diabetes Federation criteria. The study employed various machine learning models, including Random Forest, CatBoost, and Multilayer Perceptron (MLP), to classify MS control status, with Random Forest emerging as the most effective model, achieving the highest Area Under the ROC Curve (AUC) of 0.735 and demonstrating superior sensitivity and accuracy.
Bayesian optimization was employed to fine-tune hyperparameters across models, enhancing performance metrics such as precision, recall, and F1-score. The analysis revealed that comorbidity burden and polypharmacy were significant predictors of MS control, emphasizing the need for comprehensive management strategies for patients with multiple chronic conditions. Additionally, lifestyle factors like physical activity and medication adherence were identified as crucial for improving MS outcomes. The findings suggest that targeted interventions focusing on lifestyle modifications and enhanced healthcare services could significantly improve MS control among non-communicable disease patients in Bangladesh.
Limitations
The study presents several strengths, notably its focus on Bangladesh, where data on the current status of metabolic syndrome (MS) control in hospital-based populations is limited. It employs a comparative analysis of multiple Bayesian optimized machine learning classifiers and utilizes a robust evaluation framework that includes cross-validation, bootstrap confidence intervals, calibration analysis, seed-variance analysis, and McNemar’s test. Additionally, SHAP analysis is employed to enhance the interpretability of the model by identifying clinically and behaviorally relevant factors influencing MS control.
However, the findings should be interpreted with caution due to several limitations. The cross-sectional design of the study restricts its ability to make predictive or causal inferences regarding future MS control. The relatively small sample size and the focus on government hospital patients with non-communicable diseases (NCDs) may limit the generalizability of the results to broader populations. Potential biases, such as self-reporting and measurement inaccuracies, could also affect service- and behavior-related measures. While internal validation techniques were applied, external validation is necessary to confirm the model’s applicability and stability over time, as well as its potential to improve follow-up, counseling, resource allocation, and routine care for NCDs in resource-limited settings.