दो स्वतंत्र चीनी अस्पताल समूहों से जुड़े नए शोध के अनुसार, मशीन लर्निंग से गैर-अल्कोहल फैटी लीवर रोग (एनएएफएलडी) वाले रोगियों की पहचान करने में मदद मिल सकती है, जिनमें टाइप 2 मधुमेह (टी2डी) विकसित होने का खतरा बढ़ जाता है।
शोधकर्ताओं ने एक स्वतंत्र सत्यापन समूह में 0.89 के रिसीवर ऑपरेटिंग विशेषता वक्र (एयूसी) के तहत एक क्षेत्र प्राप्त करते हुए, नियमित रूप से उपलब्ध पांच नैदानिक चरों का उपयोग करके एक पूर्वानुमानित मॉडल विकसित और बाह्य रूप से मान्य किया। निष्कर्षों से पता चलता है कि कृत्रिम बुद्धिमत्ता एनएएफएलडी वाले रोगियों में अधिक व्यक्तिगत जोखिम मूल्यांकन का समर्थन कर सकती है, हालांकि नैदानिक कार्यान्वयन से पहले आगे संभावित सत्यापन की आवश्यकता है।
फैटी लीवर रोग में मधुमेह के खतरे की पहचान करना
एनएएफएलडी, जो मेटाबॉलिक डिसफंक्शन-एसोसिएटेड स्टीटोटिक लिवर डिजीज (एमएएसएलडी) के ढांचे के भीतर तेजी से चर्चा में है, मेटाबोलिक असामान्यताओं और टी2डी विकसित होने की बढ़ती संभावना के साथ निकटता से जुड़ा हुआ है।
मधुमेह के विकास के सबसे बड़े जोखिम वाले रोगियों की पहचान करने से प्रारंभिक निगरानी और निवारक हस्तक्षेप में मदद मिल सकती है।
हालाँकि, यह अनुमान लगाना चुनौतीपूर्ण है कि एनएएफएलडी वाले किन व्यक्तियों में बाद में टी2डी विकसित होगा, खासकर जब कई चयापचय और सूजन कारक रोग के जोखिम में योगदान करते हैं।
यह जांचने के लिए कि क्या मशीन लर्निंग जोखिम स्तरीकरण में सुधार कर सकती है, शोधकर्ताओं ने चीन के दो तृतीयक अस्पतालों से हिस्टोलॉजिकल रूप से पुष्टि किए गए एनएएफएलडी वाले रोगियों का पूर्वव्यापी विश्लेषण किया।
हिस्टोलॉजिकल डायग्नोसिस की तारीख को बेसलाइन के रूप में इस्तेमाल किया गया था, जब तक कि मरीजों को उनके पहले दस्तावेजित टी2डी डायग्नोसिस या उनके अंतिम उपलब्ध क्लिनिकल रिकॉर्ड तक फॉलो नहीं किया गया।
शोधकर्ताओं ने सात पूर्वानुमानित मॉडल विकसित किए, जिनमें लॉजिस्टिक रिग्रेशन, डिसीजन ट्री, रैंडम फॉरेस्ट, एक्सजीबूस्ट, लाइटजीबीएम, सपोर्ट वेक्टर मशीन और कृत्रिम तंत्रिका नेटवर्क (एएनएन) शामिल हैं।
भेदभाव, अंशांकन, नैदानिक निर्णय विश्लेषण और बाहरी सत्यापन का उपयोग करके मॉडल प्रदर्शन का मूल्यांकन किया गया था।
पाँच नैदानिक भविष्यवक्ताओं की पहचान की गई
कम से कम पूर्ण संकोचन और चयन ऑपरेटर (LASSO) प्रतिगमन का उपयोग करते हुए, शोधकर्ताओं ने बाद के T2D विकास से जुड़े पांच चर की पहचान की।
इनमें कमर की परिधि, फास्टिंग प्लाज्मा ग्लूकोज, ट्राइग्लिसराइड स्तर, मधुमेह का पारिवारिक इतिहास और न्यूट्रोफिल-टू-लिम्फोसाइट अनुपात शामिल हैं।
चयनित भविष्यवक्ता चयापचय विशेषताओं, वंशानुगत जोखिम और प्रणालीगत सूजन के एक मार्कर के संयोजन का प्रतिनिधित्व करते हैं।
फास्टिंग प्लाज्मा ग्लूकोज मौजूदा ग्लाइसेमिक स्थिति के बारे में जानकारी प्रदान करता है, जबकि कमर की परिधि और ट्राइग्लिसराइड का स्तर मधुमेह के जोखिम से संबंधित चयापचय विशेषताओं को दर्शाता है।
पारिवारिक इतिहास संवेदनशीलता के एक स्थापित आयाम को पकड़ता है, जबकि न्यूट्रोफिल-टू-लिम्फोसाइट अनुपात सूजन की स्थिति का एक सुलभ उपाय प्रदान करता है।
महत्वपूर्ण रूप से, सभी पांच चर नियमित नैदानिक मूल्यांकन के माध्यम से प्राप्त किए जा सकते हैं, जो संभावित रूप से विशेष जांच की आवश्यकता वाले दृष्टिकोणों की तुलना में मॉडल को अधिक सुलभ बनाता है।
शोधकर्ताओं ने इस बात पर जोर दिया कि मॉडल का संभावित मूल्य पूरी तरह से नए मधुमेह भविष्यवक्ताओं की पहचान करने के बजाय स्थापित नैदानिक चरों को एक एकीकृत जोखिम मूल्यांकन में संयोजित करने में निहित है।
XGBoost मजबूत बाहरी प्रदर्शन प्रदर्शित करता है
मूल्यांकन किए गए सात एल्गोरिदम में से, एएनएन मॉडल ने आंतरिक सत्यापन डेटासेट में सबसे मजबूत प्रदर्शन का प्रदर्शन किया।
हालाँकि, जब शोधकर्ताओं ने एक स्वतंत्र बाहरी समूह में सभी सात मॉडलों का मूल्यांकन किया, तो XGBoost ने सबसे अच्छा समग्र प्रदर्शन प्रदर्शित किया।
XGBoost मॉडल ने प्रशिक्षण डेटासेट में 0.99 और बाहरी सत्यापन समूह में 0.89 का AUC हासिल किया।
प्रशिक्षण और बाहरी सत्यापन प्रदर्शन के बीच का अंतर विकास के दौरान विशेष रूप से उनके प्रदर्शन पर निर्भर रहने के बजाय स्वतंत्र आबादी में पूर्वानुमानित मॉडल के मूल्यांकन के महत्व पर प्रकाश डालता है।
XGBoost को मुख्य रूप से बाहरी सत्यापन परिणामों, अंशांकन और निर्णय वक्र विश्लेषण के आधार पर अंतिम मॉडल के रूप में चुना गया था।
शोधकर्ताओं ने अनुवर्ती अवधि में अंतर को ध्यान में रखते हुए कई संवेदनशीलता विश्लेषण भी किए, जिनमें कॉक्स आनुपातिक खतरों प्रतिगमन, समय-निर्भर रिसीवर ऑपरेटिंग विशेषता विश्लेषण, अनुवर्ती-समायोजित लॉजिस्टिक प्रतिगमन और तीन साल का ऐतिहासिक विश्लेषण शामिल है।
इन विश्लेषणों से ऐसे निष्कर्ष निकले जो प्राथमिक परिणामों के साथ भौतिक रूप से सुसंगत थे, जो मॉडल के समग्र पूर्वानुमानित प्रदर्शन की मजबूती का समर्थन करते थे।
व्याख्यात्मकता में सुधार करने के लिए, शोधकर्ताओं ने शेपली एडिटिव एक्सप्लेनेशंस (एसएचएपी) विश्लेषण का उपयोग यह आकलन करने के लिए किया कि व्यक्तिगत चर ने भविष्यवाणियों में कैसे योगदान दिया।
इसने व्यक्तिगत जोखिम अनुमान निर्धारित करने में उपवास प्लाज्मा ग्लूकोज, कमर की परिधि, ट्राइग्लिसराइड्स, मधुमेह का पारिवारिक इतिहास और न्यूट्रोफिल-टू-लिम्फोसाइट अनुपात के महत्व की पुष्टि की।
प्रारंभिक मधुमेह जोखिम स्तरीकरण की संभावना
निष्कर्षों से पता चलता है कि नियमित रूप से उपलब्ध नैदानिक जानकारी को शामिल करने वाले मशीन-लर्निंग मॉडल एनएएफएलडी वाले रोगियों की पहचान करने में मदद कर सकते हैं जो करीबी चयापचय निगरानी से लाभान्वित हो सकते हैं।
इस तरह के दृष्टिकोण संभावित रूप से अधिक लक्षित निवारक रणनीतियों का समर्थन कर सकते हैं, विशेष रूप से कई चयापचय जोखिम कारकों वाले रोगियों के बीच।
हालाँकि, शोधकर्ताओं ने कई सीमाओं पर जोर दिया।
पूर्वव्यापी अध्ययन में दो तृतीयक अस्पतालों से बायोप्सी-पुष्टि एनएएफएलडी वाले रोगियों को शामिल किया गया था, जो संभावित रूप से गैर-आक्रामक तरीकों का उपयोग करके निदान की गई व्यापक आबादी के लिए सामान्यीकरण को सीमित कर रहा था।
इसके अलावा, मॉडल ने एक, तीन या पांच साल जैसे निश्चित अंतराल पर पूर्ण जोखिम अनुमान प्रदान करने के बजाय उपलब्ध अनुवर्ती अवधि के दौरान मधुमेह की घटना की भविष्यवाणी की।
नतीजतन, इसके प्रदर्शन को इस सबूत के रूप में नहीं समझा जाना चाहिए कि यह एक विशिष्ट समय सीमा के भीतर मधुमेह के विकास की सटीक भविष्यवाणी कर सकता है।
हालाँकि बाहरी सत्यापन ने आशाजनक भेदभाव का प्रदर्शन किया है, लेकिन मॉडल को अभी तक नैदानिक निर्णयों या रोगी परिणामों में सुधार नहीं दिखाया गया है।
शोधकर्ताओं ने निष्कर्ष निकाला कि पांच नियमित रूप से उपलब्ध चर पर आधारित एक व्याख्या योग्य मशीन-लर्निंग ढांचा एनएएफएलडी वाले रोगियों में मध्यम अवधि के मधुमेह जोखिम स्तरीकरण का समर्थन कर सकता है।
दृष्टिकोण को नियमित नैदानिक अभ्यास में शामिल करने से पहले मानकीकृत अनुवर्ती अवधि और पूर्वनिर्धारित भविष्यवाणी क्षितिज के साथ आगे के संभावित, बहुकेंद्रीय अध्ययन की आवश्यकता होती है।
संदर्भ
लेई, के., वू, वाई., जिंग, वाई. एट अल. मशीन लर्निंग का उपयोग करके हिस्टोलॉजिकल रूप से पुष्टि किए गए एनएएफएलडी वाले रोगियों में टाइप 2 मधुमेह की घटना के लिए मध्यम अवधि के जोखिम की भविष्यवाणी: दो समूहों से अंतर्दृष्टि। डायबेटोल मेटाब सिंडर (2026)। https://doi.org/10.1186/s13098-026-02302-0
