แมชชีนเลิร์นนิงเผยให้เห็นกรณีโรคเบาหวานที่ซ่อนอยู่ในผู้ที่มีระดับน้ำตาลในเลือดขณะอดอาหารปกติ

ในการศึกษาล่าสุดที่ตีพิมพ์ในBMC Medicineนักวิจัยระบุผู้ป่วยโรคเบาหวานในกลุ่มประชากรที่มีระดับน้ำตาลในเลือดขณะอดอาหารปกติ โดยใช้ดัชนีการตรวจร่างกายทั่วไปผ่านเทคนิคการเรียนรู้ของเครื่องการศึกษา: การตรวจหาผู้ป่วยโรคเบาหวานในผู้ที่มีระดับน้ำตาลในเลือดขณะอดอาหารปกติโดยใช้การเรียนรู้ของเครื่อง  เครดิตรูปภาพ: NicoElNino/Shutterstock.comการศึกษา:  เล่นบาคาร่า  การตรวจหาผู้ป่วยโรคเบาหวานในผู้ที่มีระดับน้ำตาลในเลือดขณะอดอาหารปกติโดยใช้การเรียนรู้ของเครื่อง เครดิตรูปภาพ: NicoElNino/Shutterstock.com

พื้นหลัง

โรคเบาหวาน (DM) เป็นปัญหาด้านสาธารณสุขที่เพิ่มมากขึ้น โดยผู้ป่วยจำนวนมากที่ไม่แสดงอาการจะตรวจไม่พบ และนำไปสู่ภาวะแทรกซ้อน สมาพันธ์เบาหวานนานาชาติคาดการณ์ว่าผู้ป่วยโรคเบาหวานจะเพิ่มขึ้นจาก 537 ล้านคนในปี 2564 เป็น 643 ล้านคนภายในปี 2573กรณีที่ไม่ได้รับการวินิจฉัยเป็นภาระต่อระบบการดูแลสุขภาพ โดยให้ความสำคัญกับการวินิจฉัยตั้งแต่เนิ่นๆ และหันมาใช้แมชชีนเลิร์นนิงเพื่อการคัดกรองที่มีประสิทธิภาพ แม้จะมีความแม่นยำที่ได้รับการพิสูจน์แล้วในการทำนายความเสี่ยง แต่การใช้ระดับน้ำตาลในเลือดขณะอดอาหารเพียงอย่างเดียวก็สามารถมองข้ามหลายกรณีได้ผู้ป่วยโรคเบาหวานจำนวนมากแสดงระดับน้ำตาลในเลือดขณะอดอาหารได้ตามปกติ โดยเน้นย้ำถึงความจำเป็นในวิธีการตรวจคัดกรองที่กว้างขึ้น และการวิจัยเพิ่มเติมเพื่อปรับปรุงการตรวจหาในกลุ่มประชากรต่างๆ

เกี่ยวกับการศึกษา

การศึกษาครั้งนี้รวบรวมข้อมูลการตรวจร่างกายจากโรงพยาบาล 3 แห่ง เพื่อพัฒนากรอบในการระบุผู้ป่วยเบาหวานที่มีระดับน้ำตาลในเลือดขณะอดอาหารปกติ ข้อมูลนี้ซึ่งจัดอยู่ในประเภท D1, D2 และ D3 ได้รับการทำความสะอาดอย่างเข้มงวด โดยตัวอย่างจะถูกจัดประเภทตามเกณฑ์การวินิจฉัยโรคเบาหวานขององค์การอนามัยโลก (WHO)เนื่องจากความไม่สมดุลของคลาสที่เห็นได้ชัดในชุดข้อมูล จึงมีการใช้เทคนิคการสุ่มตัวอย่างเกินส่วนน้อยสังเคราะห์ (SMOTE) ตามด้วยการปรับมาตรฐานคะแนน Z เพื่อสร้างมาตรฐาน โมเดลการคำนวณใช้เทคนิคการเรียนรู้ของเครื่องหลายอย่าง โดยโครงข่ายประสาทเทียมเชิงลึก (DNN) แสดงประสิทธิภาพที่เหนือกว่า เมตริกที่สร้างขึ้น เช่น ความไวและความแม่นยำ ถูกนำมาใช้ในการปรับแต่งโมเดล โดยพิจารณาถึงความไม่สมดุลของคลาสที่มีนัยสำคัญของข้อมูล

AI In Healthcare eBook รวบรวมบทสัมภาษณ์ บทความ และข่าวสารชั้นนำในปีที่ผ่านมา

ดาวน์โหลดฉบับล่าสุด

แม้ว่าในตอนแรกจะใช้ฟีเจอร์ 27 รายการสำหรับการคาดการณ์ แต่ก็มีแรงผลักดันในการเพิ่มประสิทธิภาพนี้โดยกำจัดความซ้ำซ้อนที่อาจเกิดขึ้น โดยมุ่งเน้นไปที่คุณสมบัติหลัก 13 ประการ ซึ่งแยกแยะได้จากการดูแลจัดการด้วยตนเอง และการวิเคราะห์ความเกี่ยวข้องสูงสุดและความซ้ำซ้อนขั้นต่ำ (mRMR) สำหรับการใช้งานจริง เครื่องมือออนไลน์ DRING ได้รับการออกแบบ นอกเหนือจากการทำความเข้าใจปัจจัยเสี่ยงในวงกว้างแล้ว การศึกษายังแนะนำวิธีการที่ดัดแปลงมาจากอัลกอริธึมความสำคัญของคุณลักษณะการเรียงสับเปลี่ยน ซึ่งนำเสนอการประเมินความเสี่ยงที่เป็นรายบุคคลมากขึ้นสำหรับการเกิดโรคเบาหวาน

ผลการศึกษา

ระหว่างปี 2558 ถึง 2561 รวบรวมข้อมูลการตรวจร่างกายจากโรงพยาบาลในเครือแห่งแรกของวิทยาลัยการแพทย์วรรณนัน โดยได้ตัวอย่าง 61,059 ตัวอย่างที่มีระดับน้ำตาลในเลือดขณะอดอาหารปกติ (NFG)เกือบ 1% (ผู้เข้าร่วม 603 คน) ถูกระบุว่าเป็นโรคเบาหวานโดยพิจารณาจากเกณฑ์ระดับฮีโมโกลบิน A1c (HbA1c) ที่ 6.5% โดยเฉพาะอย่างยิ่งกลุ่มที่เป็นโรคเบาหวานมีดัชนีมวลกาย (BMI) เฉลี่ยสูงกว่า 1.08 หน่วย และมีอายุมากกว่าโดยเฉลี่ย 10.6 ปี เมื่อเทียบกับกลุ่มที่ไม่เป็นโรคเบาหวานคุณลักษณะที่โดดเด่นที่สุดระหว่างผู้ป่วยโรคเบาหวานและผู้ที่ไม่เป็นโรคเบาหวาน ได้แก่ จำนวนเม็ดเลือดขาวสัมบูรณ์ (ALC) อายุ ระดับน้ำตาลในเลือดขณะอดอาหาร (FBG) ค่าดัชนีมวลกาย (BMI) และจำนวนเม็ดเลือดขาว (WBC) โดยมีคุณสมบัติที่สำคัญอีก 11 ประการที่ระบุด้วย

เนื่องจากคุณลักษณะหลายคู่ เช่น เฮโมโกลบิน (HGB) และฮีมาโตคริต (HCT) หรือนิวโทรฟิล (NEU) และลิมโฟไซต์ (LYM) มีความสัมพันธ์กันอย่างมาก จึงมีความจำเป็นต้องขจัดความซ้ำซ้อนเพื่อทำให้แบบจำลองมีความเสถียรการใช้การดูแลจัดการด้วยตนเองและเทคนิค mRMR ทำให้สามารถระบุพื้นที่คุณลักษณะที่เหมาะสมที่สุดได้ จากคุณสมบัติเบื้องต้น 27 รายการ มีเพียง 13 รายการเท่านั้นที่ถูกเลือก ทั้งสองวิธีเน้นถึงความสำคัญของ FBG, BMI, ALC และอายุ เมื่อทดสอบ โมเดลที่สร้างด้วยฟีเจอร์ 13 รายการมีประสิทธิภาพเหนือกว่าโมเดลที่มี 27 เล็กน้อย ซึ่งแสดงให้เห็นความแม่นยำและความไวที่เพิ่มขึ้น

มีการดำเนินการตรวจสอบความถูกต้องเพิ่มเติมกับชุดการทดสอบอิสระสองชุด ได้แก่ D2 และ D3 ค่า Area Under the Curve (AUC) ของทั้งสองรุ่นเกิน 0.95 บน D2 และใกล้ 0.90 บน D3 นอกจากนี้ ดัชนีของ Youden (หรือ J) บน D2 ยังสูงอย่างเห็นได้ชัด โดยทั่วไปแล้ว โมเดลที่อิงการดูแลจัดการด้วยตนเองจะมีประสิทธิภาพเหนือกว่าโมเดลที่อิงจาก mRMR

ข้อเสียเปรียบประการหนึ่งที่เห็นได้ชัดเจนคืออัตราผลบวกลวงของโมเดล mRMR บนชุดข้อมูล D2 ที่ไม่สมดุลอย่างยิ่ง อย่างไรก็ตาม ผลลัพธ์เหล่านี้แสดงให้เห็นถึงความสามารถของแบบจำลองในการระบุผู้ป่วยโรคเบาหวานที่ไม่ได้รับการวินิจฉัยในประชากร NFG เพื่อระบุคุณลักษณะที่สำคัญที่สุดในการพิจารณาความเสี่ยงโรคเบาหวาน การศึกษานี้อาศัยน้ำหนักจากแบบจำลองการดูแลด้วยตนเองที่มีคุณลักษณะ 13 รายการ ALC, FBG, อายุ, เพศ และ BMI กลายเป็นตัวแปรห้าอันดับแรก

การวิจัยก่อนหน้านี้ชี้ให้เห็นว่าแม้จะอยู่ในช่วง NFG ระดับ FBG ที่เพิ่มขึ้นก็ขยายความเสี่ยงต่อโรคเบาหวาน โดยเฉพาะอย่างยิ่ง อายุและค่าดัชนีมวลกายได้รับการยืนยันอีกครั้งว่าเป็นปัจจัยเสี่ยงต่อโรคเบาหวานที่เป็นที่ยอมรับ ในขณะที่เน้นย้ำถึงความแตกต่างในความเสี่ยงโรคเบาหวานระหว่างเพศ ปัจจัยที่น่าสังเกตอื่นๆ ได้แก่ ปริมาตรลำตัวเฉลี่ย (MCV) และจำนวนโมโนไซต์สัมบูรณ์ (AMC)เพื่อปรับแต่งการประเมินความเสี่ยงโรคเบาหวานให้เหมาะกับผู้ป่วยแต่ละราย จึงได้มีการกำหนดกรอบการทำงานตามความสำคัญของคุณลักษณะการเรียงสับเปลี่ยน (PFI) ตัวอย่างเช่น กรณีของชุดการตรวจสอบภายนอกถูกแยกออกเพื่อหาปัจจัยเสี่ยง

แม้ว่า FBG ของเธอจะปรากฏในช่วงปกติ แต่อายุ FBG และ BMI ของบุคคลนี้กลับกลายเป็นปัจจัยเสี่ยงหลักของโรคเบาหวาน ผลลัพธ์ดังกล่าวเน้นย้ำถึงศักยภาพของการแทรกแซงส่วนบุคคลโดยพิจารณาจากโปรไฟล์ความเสี่ยงส่วนบุคคลจุดสุดยอดของงานนี้คือการรวมการวิเคราะห์นี้เข้ากับเว็บเซิร์ฟเวอร์ DRING ซึ่งทำให้การใช้งานจริงมีความคล่องตัวมากขึ้น