Cercetătorii dezvoltă un model de inteligență artificială pentru detectarea diabetului și clasificarea în patru categorii
Un cadru de inteligență artificială în două etape a demonstrat o performanță internă puternică în cadrul a patru grupuri legate de diabet, dar dependența sa de seturi de date publice separate lasă un test crucial înainte.
Într-un studiu recent acceptat pentru publicare în Scientific Reports, cercetătorii au dezvoltat un model de învățare automată (ML) bazat pe variabile clinice comune și un indice derivat de sănătate pancreatică pentru detectarea și clasificarea diabetului. Dacă este validat extern în cohorte clinice caracterizate independent, modelul ar putea sprijini screeningul și clasificarea diabetului în viitor. Astfel de modele ar putea facilita detectarea timpurie și planificarea tratamentului, deși acest studiu nu a evaluat utilitatea clinică, rezultatele pentru pacienți sau calitatea vieții.
Diabetul este una dintre cele mai comune boli metabolice la nivel mondial. Această afecțiune afectează milioane de vieți, prevalența continuând să crească la nivel global. Persoanele care trăiesc cu această condiție cronică au, de obicei, niveluri ridicate de glucoză în sânge din cauza secreției insuficiente de insulină, a rezistenței la insulină sau a amândurora. Hiper glicemia persistentă poate duce la complicații serioase care pot afecta organe precum ochii, inima, rinichii și nervii.
Strategii noi sunt necesare pentru a detecta și clasifica diabetul folosind date clinice ușor accesibile pentru a identifica indivizii cu risc. Dacă sunt validate extern, astfel de instrumente ar putea ajuta clinicienii să identifice persoanele care necesită evaluări diagnostice suplimentare și gestionarea adecvată prin dietă, stil de viață sau tratament farmacologic.
În cadrul studiului prezent, cercetătorii au propus o abordare integrată bazată pe ML pentru a detecta diabetul și a atribui înregistrările la una dintre cele patru clase de date. Echipa a antrenat modelul utilizând seturi de date publice legate de diabet. Au folosit clasificarea binară pentru a detecta statutul diabetului și clasificarea multiclass pentru a identifica cele patru clase. Modelul a clasificat înregistrările în grupurile de prediabet (PD), diabet de tip 1 (T1D), diabet de tip 2 (T2D) și diabet din boala pancreatică (diabet pancreatogenic sau tip 3c, T3cD).
Cercetătorii au utilizat inițial baza de date Pima Indians Diabetes, întreținută de Institutul Național de Diabet și Boli Digestive și Rinichii (NIDDK), pentru a clasifica înregistrările ca diabetice sau non-diabetice. Au folosit apoi un set de date din repozitoriul Kaggle pentru a identifica clasele de diabet. Setul de date multiclass curat a inclus 21.539 de eșantioane, cu 60% și 40% folosite pentru antrenare și testare, respectiv.
Intrările modelului multiclass au inclus vârsta, indicele de masă corporală (IMC), circumferința taliei, nivelurile de colesterol, nivelurile de glucoză în sânge, nivelurile de insulină și un indice derivat de sănătate pancreatică. Echipa a comparat mai mulți algoritmi ML, inclusiv regresia logistică, arborii de decizie, pădurile aleatoare, K-Nearest Neighbors (KNN), naive Bayes și XGBoost, pentru a identifica cel mai eficient model pentru sarcinile de clasificare.
Cercetătorii au aplicat tehnica de suprasampling a minorităților sintetice (SMOTE) doar pe datele de antrenament pentru a corecta dezechilibrele de clasă. De asemenea, au efectuat ajustarea hiperparametrilor pentru a determina cele mai bune combinații de parametri și au reantrenat modelele folosind parametrii selectați. Au realizat, de asemenea, o analiză a explicațiilor modelului local interpretabil (LIME) asupra clasificatorului ML preferat de autori pentru a explora contribuția caracteristicilor individuale la predicțiile modelului.
Autorii au selectat XGBoost ca classifier preferat, deși lucrarea a raportat clasamente de performanță inconsistente în cadrul tabelelor sale. Tabelul 2 raportează o valoare de 0,97 pentru fiecare parametru de evaluare, inclusiv acuratețea, precizia, recall și scorurile F1. Totuși, Tabelul 7 a raportat o acuratețe de 95,67% pentru XGBoost și 96,67% pentru pădurea aleatoare, în timp ce pădurea aleatoare a obținut, de asemenea, un ROC-AUC macro-mediu ușor mai mare, o măsură a discriminării între cele patru clase. Autorii au atribuit performanța XGBoost capacității sale de a surprinde asociații complexe, non-liniare între diferite caracteristici. XGBoost a clasificat corect toate înregistrările de prediabet și T1D în rezultatele testului raportate, deși a persistat o anumită confuzie între grupurile T2D și T3cD. Modelul KNN a fost cel mai puțin precis.
Analiza generală a importanței caracteristicilor a identificat nivelurile de glucoză din sânge, insulina și IMC ca variabile influente. Cu toate acestea, analiza LIME a indicat că glucoza a dominat predicțiile modelului, cu vârsta și colesterolul având contribuții secundare în unele clase. IMC, circumferința taliei, insulina și sănătatea pancreatică au avut influențe comparativ mai mici în analiza LIME. Nivelurile de glucoză din sânge au arătat cea mai puternică corelație raportată cu eticheta de clasă (corelația Pearson: 0,86), în timp ce insulina a arătat o corelație de 0,59. Deoarece valorile numerice au fost atribuite claselor nominale de boală, aceste corelații Pearson ar trebui interpretate cu prudență. Vârsta, IMC și circumferința taliei au arătat corelații intermediare până la puternice, variind între 0,63 și 0,68. Corelațiile lor respective cu ținta au fost de 0,41, 0,46 și 0,56, în timp ce sănătatea pancreatică a arătat o corelație negativă neglijabilă de -0,06.
Modelul a învățat în principal tipare decizionale bazate pe glucoză, care erau consistente cu diagnosticul clinic al diabetului. Autorii au interpretat aceste tipare ca fiind în general concordante cu patofiziologia diabetului și cunoștințele clinice, deși această interpretare nu a fost validată independent în practica clinică. Pe baza observațiilor, modelul nu este pregătit pentru utilizare clinică și ar necesita o evaluare suplimentară înainte de a putea sprijini, mai degrabă decât de a înlocui, judecata clinică.
Concluziile studiului evidențiază dezvoltarea unui model ML capabil să clasifice statutul diabetului și să atribuie cazurile pozitive la patru etichete, inclusiv prediabet, T1D, T2D și T3cD. În viitor, cadrul ar putea asista potențial screeningul diabetului și ar putea ghida investigarea diagnosticului suplimentar. Studiul nu a determinat dacă utilizarea modelului îmbunătățește îngrijirea, rezultatele tratamentului, calitatea vieții sau povara globală a diabetului.
Influențele variate ale lipidelor, sănătății pancreatice și măsurătorilor corporale pot reflecta diferențe biologice legate de subtipuri, dar pot apărea și din construcția setului de date, codificarea claselor, predictori corelați sau absența biomarkerilor verificați clinic. Cercetătorii ar trebui să investigheze aceste tipare folosind seturi de date clinice caracterizate înainte de a trasa concluzii mecaniste. Cadrul ar trebui considerat în prezent un
