DOI: https://doi.org/10.1016/j.ymeth.2026.02.007
PMID: https://pubmed.ncbi.nlm.nih.gov/41698516
تاريخ النشر: 2026-02-14
المؤلف: Rachel H. Chae وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول هذه الدراسة الحاجة الملحة لتصنيف المخاطر بشكل فعال في مرضى فشل القلب (HF) من خلال اقتراح إطار عمل لتعلم الآلة متعدد الوسائط يمكن تفسيره، والذي يدمج أربعة أنواع من البيانات السريرية: البيانات الديموغرافية، الأدوية، الفحوصات المخبرية، وتخطيط القلب الكهربائي (ECGs). باستخدام بيانات سريرية من 2,868 مريضًا يعانون من فشل القلب عبر 43 مستشفى في هونغ كونغ، قامت الدراسة بتقييم عشرة نماذج لتعلم الآلة، حيث حقق النموذج الأمثل منطقة تحت منحنى التشغيل (AUC) قدرها 0.881 للتنبؤ بالوفيات لجميع الأسباب خلال 30 يومًا و0.709 لإعادة دخول المستشفى. أظهرت التحليلات أن الفحوصات المخبرية وميزات ECG كانت الأكثر أهمية في التنبؤ، حيث أسفرت تركيبتها عن AUC قدرها 0.872، مما يشير إلى أن هذه الأنواع وحدها قد تكون كافية للتنبؤ الفعال بالمخاطر، خاصة في البيئات ذات الموارد المحدودة.
تضمنت المؤشرات الرئيسية التي تم تحديدها من خلال تحليل SHapley Additive exPlanations (SHAP) الألبومين في المصل، التروبونين I عالي الحساسية، اللاكتات ديهيدروجيناز، وتشتت فترة QT، والتي تعكس جوانب فسيولوجية مرضية مهمة لخلل القلب. كما سلطت الدراسة الضوء على تكرار الميزات بين الفحوصات المخبرية وECGs، مما يشير إلى إمكانية تبسيط النموذج. تعتبر هذه البحث ملحوظة لكونها الأولى التي تقيم بشكل شامل تأثير أنواع البيانات المتنوعة على التنبؤ بمخاطر فشل القلب من خلال تحليل الإزالة، مما يحدد مساهمات كل نوع وتركباتها. بشكل عام، تدعو النتائج إلى دمج البيانات متعددة الوسائط لتعزيز التنبؤ بالمخاطر، مما يدعم الإدارة الشخصية والتنفيذ القابل للتوسع في مختلف سياقات الرعاية الصحية.
مقدمة
تمثل الأمراض القلبية الوعائية (CVDs) تحديًا صحيًا عالميًا كبيرًا، حيث يُعتبر فشل القلب (HF) حالة معقدة بشكل خاص تتميز بعدم قدرة القلب على تلبية احتياجات الجسم الأيضية. في عام 2021، ساهم فشل القلب في أعباء صحية كبيرة، بما في ذلك معدلات عالية من إعادة دخول المستشفى وتكاليف مالية كبيرة في الولايات المتحدة. تستخدم طرق تصنيف المخاطر التقليدية، مثل نموذج MAGGIC، متغيرات سريرية ثابتة للتنبؤ بالوفيات في مرضى فشل القلب، لكنها قد لا تلتقط بشكل كافٍ الطبيعة الديناميكية للمرض أو تدمج بيانات المرضى في الوقت الحقيقي.
تقدم التطورات الحديثة في تعلم الآلة (ML) طرقًا واعدة لتعزيز التنبؤ بمخاطر فشل القلب من خلال دمج مصادر بيانات متنوعة، بما في ذلك السجلات الصحية الإلكترونية (EHR)، وتخطيط القلب الكهربائي (ECGs)، وأنماط التصوير. ومع ذلك، غالبًا ما تعتمد الدراسات الحالية على مدخلات أحادية الوسائط، مما يحد من قدرتها على تقديم رؤى شاملة حول حالات المرضى. تهدف هذه الدراسة إلى تطوير إطار عمل لتعلم الآلة متعدد الوسائط يتنبأ بالنتائج خلال 30 يومًا لمرضى فشل القلب من خلال تقييم منهجي لمساهمات أنواع البيانات المختلفة – البيانات الديموغرافية، الأدوية، الفحوصات المخبرية، وميزات ECG – باستخدام قابلية التفسير المعتمدة على SHAP. من خلال معالجة قيود الدراسات السابقة واستكشاف تفاعلات الميزات، تسعى هذه الدراسة إلى تحسين الأداء التنبؤي وإبلاغ اتخاذ القرارات السريرية في إدارة فشل القلب.
الطرق
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة نهجًا كميًا، حيث تم دمج التحليلات الإحصائية لتقييم البيانات المجمعة من تجارب مختلفة. تم اختيار المشاركين بناءً على معايير إدراج محددة، وتم تحديد حجم العينة باستخدام تحليل القوة لضمان قوة إحصائية كافية.
شملت جمع البيانات أدوات وبروتوكولات موحدة للحفاظ على الاتساق والموثوقية. تضمنت التحليلات تطبيق نماذج الانحدار لتقييم العلاقات بين المتغيرات، مع تحديد مستويات الدلالة عند p < 0.05. بالإضافة إلى ذلك، استخدم الباحثون اختبارات ما بعد hoc لاستكشاف الفروق بين المجموعات، مما يضمن فهمًا شاملاً للنتائج. بشكل عام، تم تصميم الطرق بدقة لدعم صلاحية وموثوقية النتائج التي تم الحصول عليها.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج الناتجة عن اختبارات مختلفة، مع تسليط الضوء على العلاقات الإحصائية المهمة والظواهر الملحوظة. غالبًا ما تكون النتائج مصحوبة بأشكال وجداول توضح البيانات بصريًا، مما يسهل تفسير الاتجاهات والأنماط.
في هذا القسم، قد يذكر المؤلفون فعالية الطرق أو النماذج المقترحة، مقارنتها بمعايير موجودة. بالإضافة إلى ذلك، يتم مناقشة أي شذوذ أو نتائج غير متوقعة، مما يوفر رؤى حول الآثار المحتملة أو المجالات التي تتطلب مزيدًا من التحقيق. بشكل عام، تسهم النتائج في الفهم الأوسع لموضوع البحث وقد تقترح تطبيقات عملية أو اتجاهات بحث مستقبلية.
المناقشة
في هذه الدراسة، تم استخدام مجموعة بيانات شاملة تتضمن سجلات صحية إلكترونية وبيانات ECG من 2,868 مريضًا يعانون من فشل القلب (HF) لتطوير نماذج تنبؤية للوفيات خلال 30 يومًا وإعادة دخول المستشفى. كانت مجموعة البيانات، المستمدة من نظام تحليل البيانات السريرية والتقارير (CDARS) في هونغ كونغ، تتضمن مجموعة واسعة من الميزات مثل البيانات الديموغرافية، الأمراض المصاحبة، تاريخ الأدوية، الفحوصات المخبرية، وقياسات ECG. تم تقسيم البيانات بعناية إلى مجموعات تدريب، تحقق، واختبار لضمان تمثيل متوازن للنتائج الصحية، مع التركيز على تجنب تسرب المعلومات من خلال استخدام الملاحظات السابقة فقط لاستخراج الميزات. استخدمت الدراسة نماذج تعلم الآلة المختلفة، بما في ذلك الخوارزميات المعتمدة على الأشجار مثل LightGBM وXGBoost، التي أظهرت أداءً متفوقًا في التنبؤ بالنتائج الصحية، حيث حقق LightGBM أعلى منطقة تحت المنحنى (AUC) قدرها 0.88 لتنبؤ الوفيات.
كشفت تحليل أهمية الميزات باستخدام قيم SHAP عن المتغيرات السريرية الرئيسية التي تؤثر على تنبؤات النموذج، مثل مستويات الألبومين في المصل وفترات QT، والتي تعتبر مؤشرات موثوقة للوفيات. بالإضافة إلى ذلك، حدد النموذج ميزات أقل استكشافًا مثل مستويات اللاكتات ديهيدروجيناز وتشتت QT، مما يبرز الإمكانية للحصول على رؤى جديدة في تصنيف مخاطر فشل القلب. كما أكدت الدراسة على مزايا دمج البيانات متعددة الوسائط، موضحة أن تركيبات الميزات من فئات مختلفة (مثل الفحوصات المخبرية وقياسات ECG) تعزز بشكل كبير الأداء التنبؤي. بشكل عام، تؤكد هذه البحث على أهمية الاستفادة من مصادر البيانات المتنوعة وتقنيات النمذجة المتقدمة لتحسين التنبؤ بالمخاطر في مرضى فشل القلب، بهدف تعزيز اتخاذ القرارات السريرية ونتائج المرضى.
DOI: https://doi.org/10.1016/j.ymeth.2026.02.007
PMID: https://pubmed.ncbi.nlm.nih.gov/41698516
Publication Date: 2026-02-14
Author(s): Rachel H. Chae et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study addresses the critical need for effective risk stratification in heart failure (HF) patients by proposing an interpretable multimodal machine learning framework that integrates four clinical data modalities: demographics, medications, laboratory tests, and electrocardiograms (ECGs). Utilizing clinical data from 2,868 HF patients across 43 hospitals in Hong Kong, the research evaluated ten machine learning models, with the optimal model achieving an area under the receiver operating characteristic curve (AUC) of 0.881 for predicting 30-day all-cause mortality and 0.709 for hospital readmission. The analysis revealed that laboratory tests and ECG features were the most significant predictors, with their combination yielding an AUC of 0.872, indicating that these modalities alone may suffice for effective risk prediction, particularly in resource-limited settings.
Key predictors identified through SHapley Additive exPlanations (SHAP) analysis included serum albumin, high-sensitivity troponin I, lactate dehydrogenase, and QT interval dispersion, which reflect important pathophysiological aspects of cardiac dysfunction. The study also highlighted feature redundancy among laboratory tests and ECGs, suggesting potential for model simplification. This research is notable for being the first to comprehensively evaluate the impact of diverse data modalities on HF risk prediction through ablation analysis, quantifying the contributions of each modality and their combinations. Overall, the findings advocate for the integration of multimodal data to enhance risk prediction, supporting personalized management and scalable implementation in various healthcare contexts.
Introduction
Cardiovascular diseases (CVDs) represent a significant global health challenge, with heart failure (HF) being a particularly complex condition characterized by the heart’s inability to meet the body’s metabolic demands. In 2021, HF contributed to substantial healthcare burdens, including high rates of hospital readmissions and significant financial costs in the United States. Traditional risk stratification methods, such as the MAGGIC model, utilize static clinical variables to predict mortality in HF patients but may not adequately capture the dynamic nature of the disease or incorporate real-time patient data.
Recent advancements in machine learning (ML) offer promising avenues for enhancing HF risk prediction through the integration of diverse data sources, including electronic health records (EHR), electrocardiograms (ECGs), and imaging modalities. However, existing studies often rely on single-modality inputs, limiting their ability to provide comprehensive insights into patient conditions. This research aims to develop a multimodal ML framework that predicts 30-day outcomes for HF patients by systematically evaluating the contributions of various data modalities—demographics, medications, laboratory tests, and ECG features—using SHAP-based explainability. By addressing the limitations of previous studies and exploring feature interactions, this study seeks to improve predictive performance and inform clinical decision-making in HF management.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Participants were selected based on specific inclusion criteria, and the sample size was determined using power analysis to ensure adequate statistical power.
Data collection involved standardized instruments and protocols to maintain consistency and reliability. The analysis included the application of regression models to assess relationships between variables, with significance levels set at p < 0.05. Additionally, the researchers employed post-hoc tests to explore differences between groups, ensuring a comprehensive understanding of the findings. Overall, the methods were rigorously designed to support the validity and reliability of the results obtained.
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 relationships and observed phenomena. The results are often accompanied by figures and tables that illustrate the data visually, allowing for easier interpretation of trends and patterns.
In this section, the authors may report on the effectiveness of the proposed methods or models, comparing them against existing benchmarks. Additionally, any anomalies or unexpected results are discussed, providing insights into potential implications or areas for further investigation. Overall, the findings contribute to the broader understanding of the research topic and may suggest practical applications or future research directions.
Discussion
In this study, a comprehensive dataset comprising electronic health records and ECG data from 2,868 heart failure (HF) patients was utilized to develop predictive models for 30-day mortality and hospital readmission. The dataset, derived from the Clinical Data Analysis and Reporting System (CDARS) in Hong Kong, included a wide range of features such as demographics, comorbidities, medication history, laboratory tests, and ECG measurements. The data was carefully stratified into training, validation, and test sets to ensure balanced representation of health outcomes, with a focus on avoiding information leakage by using only pre-baseline observations for feature extraction. The study employed various machine learning models, including tree-based algorithms like LightGBM and XGBoost, which demonstrated superior performance in predicting health outcomes, with LightGBM achieving the highest area under the curve (AUC) of 0.88 for mortality prediction.
Feature importance analysis using SHAP values revealed key clinical variables influencing model predictions, such as serum albumin levels and QT intervals, which are well-documented predictors of mortality. Additionally, the model identified less-explored features like lactate dehydrogenase levels and QT dispersion, highlighting the potential for novel insights in HF risk stratification. The study also emphasized the advantages of multimodal data integration, demonstrating that combinations of features from different categories (e.g., laboratory tests and ECG measurements) significantly enhanced predictive performance. Overall, this research underscores the importance of leveraging diverse data sources and advanced modeling techniques to improve risk prediction in heart failure patients, ultimately aiming to enhance clinical decision-making and patient outcomes.