خب بذارین واسه‌تون با حال خودمونی تعریف کنم! اگه کسی قراره جراحی قلب انجام بده، مثلاً عمل بای‌پس رگ‌های قلبی یا جراحی دریچه‌های قلب، خیلی مهمه که بدونیم احتمال اینکه بعد جراحی مشکلی براش پیش بیاد یا خدای نکرده فوت کنه چقدره. معمولاً پزشکا واسه این کار، مدل‌هایی مثل EuroSCORE I رو استفاده می‌کنن. EuroSCORE I یه مدل پیش‌بینی هست که یکسری اطلاعات بالینی بیمار رو می‌گیره و یه امتیاز بهش می‌ده که بر اساس اون، ریسک رو تخمین می‌زنن. اما راستش این جور مدلای قدیمی یکم مشکل دارن؛ نمی‌تونن رابطه‌های پیچیده بین اطلاعات مختلف مریض رو خوب درک کنن. مثلاً بعضی وقتا چند تا عامل تو هم تاثیر می‌ذارن، ولی این مدل‌ها نمی‌فهمن!
حالا یه تیم محقق خوش‌ذوق اومدن گفتن: “بیاین از هوش مصنوعی و یادگیری ماشین برای این داستان استفاده کنیم!” یادگیری ماشین (Machine Learning) یعنی مدل‌هایی که خودشون می‌تونن از داده‌های قبلی یاد بگیرن و پیش‌بینی کنن، نه اینکه فقط یه سری فرمول ثابت داشته باشن. این تیم اومد یه مدل جدید ساختن به اسم ERES؛ که مخفف Ensemble-Based Risk Estimation System ـه. Ensemble در یادگیری ماشین یعنی چند تا مدل با هم همفکری می‌کنن تا پیش‌بینی دقیق‌تر باشه!، یعنی بر اساس ترکیب خروجی چند تا مدل مختلف، تصمیم نهایی گرفته می‌شه.
در این مطالعه، اطلاعات ۵۴۳ تا مریض که جراحی قلب داشتن رو جمع‌آوری کردن. داده‌هایی که قبل جراحی از هر مریض گرفتن، رو گذاشتن جلوی شش تا الگوریتم یادگیری ماشین مختلف! هر الگوریتم یه مدل یادگیری ماشین متفاوت با شیوه خاص خودشه، مثلاً بعضی‌هاش درخت تصمیم هستن، بعضی‌هاش شبکه عصبی و این چیزا. هدفشون این بود که ببینن مدل‌ها چقدر دقیق می‌تونن ریسک مرگ‌ومیر رو بعد جراحی پیش‌بینی کنن.
یه نکته جالب این بود که برای بهتر شدن دقت مدل، از چند روش باحال هم استفاده کردن:
– Gini importance: یه روشی برای انتخاب مهم‌ترین ویژگی‌ها یا همون فاکتورای موثر تو پیش‌بینی.
– Recursive Feature Elimination: اینم یه تکنیک انتخاب ویژگیه که کم‌کم ویژگی‌های کم‌اهمیت رو حذف می‌کنه تا بهترینا بمونن.
– Adaptive Synthetic Sampling: این روش برای زمانی خوبه که تعداد نمونه‌های مرگ‌ومیر نسبت به آدمایی که زنده موندن خیلی کمتره، یا همون مشکل class imbalance؛ یعنی تعداد کلاس‌های مختلف با هم برابر نباشه و به مدل کمک می‌کنه یادگیری منصفانه‌تر باشه.
در نهایت، مدل ERES با استفاده از ۱۵ تا ویژگی کلیدی بهترین عملکرد رو داشت. این ویژگی‌ها چیا بودن؟ مثلاً سن بیمار، سطح کراتینین (که از وضعیت کلیه خبر می‌ده)، و میزان کارایی بطن چپ قلب – بهش می‌گن Left Ventricular Ejection Fraction یا همون LVEF، یعنی اینکه قلب چند درصد خون رو از خودش بیرون می‌فرسته.
واسه اینکه بفهمن مدل واقعا کار می‌کنه یا نه، اومدن یه سری تست باحال انجام دادن:
– Calibration plots: نمودارایی که نشون می‌ده پیش‌بینی مدل با واقعیت چقدر جفت و جور درمیاد. هرچی این نمودارا بهتر باشه، یعنی مدل احتمالات نزدیک‌تر به واقعیت رو می‌ده.
– SHAP analysis: SHAP یعنی یه روشی که توضیح می‌ده چرا مدل چنین پیش‌بینی‌ای انجام داده؛ یعنی می‌گه کدوم فاکتور چقدر تاثیر گذاشته. و همون‌طور که گفتیم، کراتینین، سن و عملکرد بطن چپ، مهم‌ترین پیش‌بینی‌کننده‌ها بودن.
– Decision curve analysis: یه روش برای بررسی اینکه مدل چقدر به درد تصمیم‌گیری بالینی می‌خوره؛ مثلاً تو چه حد آستانه‌ای (threshold)، استفاده از مدل باعث می‌شه دکترها تصمیم بهتری بگیرن.
جالب‌تر اینکه، در کنار این مدل، امتیاز ASA هم بررسی کردن! ASA Score یه امتیازه که پزشکای بیهوشی برای دسته‌بندی ریسک مریض استفاده می‌کنن؛ خلاصه‌ش اینه که هرچی عددش بالاتر باشه، بیمار ضعیف‌تره و ریسک عملش بیشتره. ولی به تنهایی خیلی قدرت پیش‌بینی خوبی نداشت! اما وقتی با EuroSCORE I ترکیب شد، نتیجه بهتر شد.
خلاصه اینکه این مدل ERES با هوش مصنوعی خیلی بهتر از نمونه‌های قدیمی مثل EuroSCORE I تونست پیش‌بینی کنه که کی بیشتر در معرض خطره. پس اگه اینجور مدل‌های یادگیری ماشین وارد سیستم درمان بشن، کمک می‌کنن دکترها تصمیمای بهتری واسه مریضاشون بگیرن و احتمال مشکلات بعد عمل کم‌تر بشه. البته باید این مدل تو بیمارستان‌ها و جاهای دیگه هم تست شه (که بهش می‌گن external validation – یعنی اعتبارسنجی بیرونی) تا مطمئن شن تو همه جا خوب کار می‌کنه.
در کل به نظر میاد که ترکیب اطلاعات مریض با مدلای یادگیری ماشین و توضیحات شفاف‌تر (مثل تحلیل SHAP) می‌تونه یه قدم حسابی رو به جلو برای جراحی قلب و کاهش ریسک مریضا باشه!
منبع: +
