هوش مصنوعی(Artificial Intelligence)و یادگیری ماشین(Machin Learning) به طور فزاینده ای در حوزه پزشکی، از جمله مدیریت بیماران تحت همودیالیز، استفاده شده است. طبقهبندیکننده جنگل تصادفی(Random Forest classifier) یک روش یادگیری ماشینی است که میتواند دقت و تفسیرپذیری بالایی در تجزیه و تحلیل دادههای بیماریهای مختلف ایجاد کند. ما سعی کردیم از یادگیری ماشینی برای تنظیم وزن خشک، وضعیت حجم مناسب بیماران تحت همودیالیز استفاده کنیم، که نیازمند یک فرآیند تصمیم گیری پیچیده با در نظر گرفتن چندین شاخص و شرایط فیزیکی بیمار است.
تمام دادههای پزشکی و 69375 پرونده دیالیز از 314 بیمار آسیایی که در یک مرکز دیالیز در ژاپن بین ژوئیه 2018 تا آوریل 2020 تحت همودیالیز قرار گرفتند، از سیستم پرونده الکترونیک پزشکی جمعآوری شد. با استفاده از طبقهبندیکننده جنگل تصادفی، مدلهایی را برای پیشبینی احتمالات تنظیم وزن خشک در هر جلسه دیالیز ایجاد کردیم.
نواحی زیر منحنی های گیرنده-عملیاتی-مشخصات مدل ها برای تنظیم وزن خشک به سمت بالا و پایین به ترتیب 70/0 و 74/0 بود. میانگین احتمال تعدیل وزن خشک به سمت بالا دارای یک اوج شدید حول تغییر واقعی در طول زمان بود، در حالی که میانگین احتمال تنظیم رو به پایین وزن خشک یک اوج تدریجی را تشکیل داد. تحلیل اهمیت ویژگی(Feature importance analysis) نشان داد که کاهش فشار خون متوسط یک پیش بینی کننده قوی برای تنظیم وزن خشک به سمت بالا بود. در مقابل، افزایش سطح سرمی CRP (C-reactive protein) و هیپوآلبومینمی(hypoalbuminemia) شاخصهای مهمی برای تنظیم وزن خشک به سمت پایین بودند.
طبقهبندیکننده تصادفی جنگل باید راهنمای مفیدی برای پیشبینی تغییرات بهینه وزن خشک با دقت نسبی ارائه کند و ممکن است در عمل بالینی مفید باشد.
تدوین و ترجمه: www.idiasys.com