حامد زمانیان، احمد شالباف،
دوره 82، شماره 10 - ( 10-1403 )
چکیده
زمینه و هدف: ابتلا به بیماری کبد چرب غیرالکلی، بهدلایلی چون چاقی مفرط، دیابت نوع دوم و ناهمگونیهای هورمونی بهطور قابلتوجهی شیوع پیدا کرده است. هدف از این مقاله، ارائه یک الگوریتم کاربردی براساس الگوریتمهای تفسیرپذیر یادگیری ماشین برای تشخیص افراد مبتلا به چربی کبد غیرالکلی و تعیین شدت و گستردگی بیماری به کمک اطلاعات بالینی میباشد.
روش بررسی: در این راستا، مجموع 181 بیمار مبتلا به درجههای مختلف بیماری کبد چرب غیرالکلی، مورد بررسی قرار گرفتند. این مجموعه داده در بازه زمانی بهمن 1389 تا دی سال 1398 در بیمارستان دانشگاه ایهایم با تشخیص ابتلا یا عدم ابتلا به کبد چرب براساس نتیجه ارزیابی پاتولوژیکی نمونه کبدی جمعآوری شده است. برای این دادگان، از روش الگوریتمهای انتخاب ویژگی برای تعیین ویژگیهای غالب و روشهای طبقهبندی مختلف برای تعیین سطح شدت شاخصهای شدت کبد چرب استفاده شد. همچنین برای تفسیر بهتر کارکرد روشهای مورد استفاده، این اطلاعات به کمک الگوریتمهای هوش مصنوعی تفسیرپذیر، تحلیل و بررسی شد.
یافتهها: استفاده از روش کلاسبندی XGBoost بههمراه روش انتخاب ویژگی رو بهجلو، منجر بهدقت 5/5±23/69% برای شاخص شدت کبد چرب گردید. بررسی این دادگان توسط الگوریتمهای تفسیرپذیری هوش مصنوعی نشان داد که متغیرهای سن، BMI، HDL، LDL، HbA1c، و GPT به ازاء سه کلاس تعیین شده و شاخصهای GPT، سن، BMI، HDL، HbA1c، LDL، تری گلیسراید، و کلسترول در تعیین کارایی مدل کلی، جزو اثرگذارترین متغیرهای بالینی هستند که در طبقهبندی شدت بیماری کبد نقش مهمی دارند.
نتیجهگیری: بررسیهای این مطالعه بهخوبی نشان داد که میتوان تخمین قابل قبولی از شدت ابتلا به بیماری کبد چرب بهدست آورد که همین موضوع میتواند در تعیین درجه ابتلا برای اقدامات درمانی بعدی بیماران کمککننده باشد و از تحمیل هزینههای درمانی به سیستم درمانی و بیمار جلوگیری نماید.
