ارزیابی یادگیری ماشین تبیین‌پذیر برای پیش‌بینی مرگ‌ومیر بیماران مبتلا به نارسایی حاد قلبی در یک مطالعه آینده‌نگر در ویتنام
در یک مطالعه آینده‌نگر روی ۵۷۲ بزرگسال بستری‌شده به‌دلیل نارسایی حاد قلبی در یک مرکز تخصصی ارجاعی در جنوب ویتنام، پژوهشگران از مدل جنگل تصادفی برای رتبه‌بندی بیماران بر اساس خطر مرگ در طول بستری اولیه استفاده کردند. این مدل در مجموعه آزمون مستقل به سطح زیر منحنی مشخصه عملکرد گیرنده (AUC) برابر با ۰٫۸۴۶ دست یافت. این مقدار از امتیاز بالینی شناخته‌شده «ابتکار اقدام برای نارسایی قلبی» (Get With The Guidelines–Heart Failure یا GWTG-HF) که ۰٫۸۱۷ بود، بیشتر به نظر می‌رسید؛ بااین‌حال، اختلاف از نظر آماری معنادار نبود. از آنجا که در مجموعه آزمون فقط ۱۳ مورد مرگ ثبت شده بود، توان آماری مقایسه محدود بود. بنابراین، نتایج نه هم‌ارزی دو روش را ثابت می‌کنند و نه برتری یادگیری ماشین را. پژوهشگران در عوض، این مدل‌ها را ابزارهایی بالقوه مکمل برای رتبه‌بندی خطر دانستند و تأکید کردند که پیش از استفاده بالینی، برآوردهای احتمالی آن‌ها باید دوباره کالیبره شوند.
تیم پژوهشی بیمارستان چو رای، بیماران متوالی را از اکتبر ۲۰۲۴ تا ژوئن ۲۰۲۵ وارد مطالعه کرد. افراد واجد شرایط باید دست‌کم ۱۸ سال سن می‌داشتند و معیارهای انجمن قلب‌شناسی اروپا در سال ۲۰۲۱ برای تشخیص نارسایی حاد قلبی را برآورده می‌کردند. بیماران مبتلا به نارسایی منفرد بطن راست، افرادی که با شرکت در مطالعه موافقت نکردند و مواردی که وضعیت بقای بیمار در آن‌ها قابل تعیین نبود، کنار گذاشته شدند. تمام اطلاعات مورد نیاز برای پیش‌بینی هنگام پذیرش یا در ۲۴ ساعت نخست بستری جمع‌آوری شد؛ یعنی پیش از وقوع پیامد مورد بررسی. به این ترتیب، زمان پیش‌بینی به‌روشنی مشخص شد و احتمال نشت اطلاعات مربوط به آینده به فرایند مدل‌سازی کاهش یافت. پیامد اصلی مطالعه، مرگ به هر علت در طول بستری اولیه بود. از مجموع ۵۷۲ شرکت‌کننده، ۵۳ نفر، معادل ۹٫۳ درصد، در بیمارستان جان باختند.
مجموعه داده‌ها اطلاعات جمعیت‌شناختی، سابقه پزشکی، بیماری‌های همراه، علائم حیاتی، نتایج آزمایش‌های آزمایشگاهی، یافته‌های نوار قلب و ویژگی‌های اکوکاردیوگرافی را در بر می‌گرفت. متغیرهای پیش‌بینی‌کننده شامل نارسایی تنفسی، شوک قلبی، فشار خون، عملکرد کلیه، غلظت الکترولیت‌ها، نشانگرهای زیستی قلبی و اندازه‌گیری‌های حاصل از تصویربرداری بود. مقادیر گمشده با استفاده از یک الگوریتم تکرارشونده مبتنی بر جنگل تصادفی برآورد شدند و متغیرهایی که بیش از ۲۰ درصد داده‌هایشان مفقود بود، حذف شدند؛ ازاین‌رو، فشار سیستولی شریان ریوی نیز کنار گذاشته شد. پس از پیش‌پردازش، ۳۱ متغیر پیش‌بینی‌کننده بالقوه باقی ماند. داده‌ها به مجموعه آموزش شامل ۴۲۹ بیمار و مجموعه آزمون مستقل شامل ۱۴۳ بیمار تقسیم شدند. تمام مراحل پیش‌پردازش ابتدا روی داده‌های آموزشی برازش شدند و سپس بدون تغییر روی مجموعه آزمون اعمال شدند.
پژوهشگران شش الگوریتم را آموزش دادند: رگرسیون لجستیک، رگرسیون لجستیک با روش الاستیک‌نت، جنگل تصادفی، XGBoost، LightGBM و CatBoost. از آنجا که مرگ‌ومیر نسبتاً کم‌شیوع بود، روش بیش‌نمونه‌گیری مصنوعی اقلیت (SMOTE) فقط در بخش آموزش هر مرحله از اعتبارسنجی متقاطع به کار رفت و در الگوریتم‌هایی که از آن پشتیبانی می‌کردند، وزن‌دهی به کلاس‌ها نیز انجام شد. ابرپارامترها از طریق جست‌وجوهایی انتخاب شدند که در آن‌ها درخت‌ها نسبتاً کم‌عمق، نرخ یادگیری پایین، نمونه‌گیری زیرمجموعه‌ای و حداقل تعداد نمونه در برگ‌های درخت محدود شده بود. تحلیل‌ها شامل اعتبارسنجی متقاطع طبقه‌بندی‌شده ۱۰بخشی، اعتبارسنجی متقاطع تکرارشونده با ۱۰ بخش و ۱۰ تکرار، اعتبارسنجی متقاطع تودرتو هنگام تنظیم مدل و ۱۰۰۰ نمونه‌گیری مجدد بوت‌استرپ برای اصلاح خوش‌بینی در عملکرد مدل بود. آستانه‌های تصمیم‌گیری صرفاً بر اساس داده‌های آموزشی تعیین و سپس روی مجموعه آزمون اعمال شدند. گزارش مطالعه نیز از بیانیه گزارش‌دهی TRIPOD + AI پیروی کرد.
در مجموعه آزمون مستقل، جنگل تصادفی بالاترین قدرت تفکیک مشاهده‌شده را داشت و فاصله اطمینان ۹۵ درصد آن از ۰٫۷۵۷ تا ۰٫۹۲۲ بود. مقدار AUC این مدل پس از اصلاح خوش‌بینی با استفاده از اعتبارسنجی متقاطع تکرارشونده و تحلیل بوت‌استرپ، ۰٫۸۱ به دست آمد. مقادیر AUC برای رگرسیون لجستیک ۰٫۷۹۵، الاستیک‌نت ۰٫۷۹۴، CatBoost برابر با ۰٫۷۸۶، XGBoost برابر با ۰٫۷۶۳ و LightGBM برابر با ۰٫۶۹۴ بود. امتیاز GWTG-HF به AUC برابر با ۰٫۸۱۷ دست یافت و مساحت زیر منحنی دقت ـ فراخوانی آن ۰٫۳۳ بود؛ این مقدار برای جنگل تصادفی ۰٫۳۱ گزارش شد. آزمون‌های زوجی دِلونگ هیچ اختلاف معناداری در AUC میان مدل‌های یادگیری ماشین و امتیاز GWTG-HF نشان ندادند و همه مقادیر p بیشتر از ۰٫۰۵ بودند. اختلاف AUC جنگل تصادفی با امتیاز بالینی موجود ۰٫۰۲۹ و مقدار p در آزمون دِلونگ ۰٫۷۱۳ بود؛ بااین‌حال، این محاسبات تنها بر ۱۳ مورد مرگ در مجموعه آزمون متکی بودند. به همین دلیل، نویسندگان تأکید کردند که معنادار نبودن آماری اختلاف در مطالعه‌ای با توان آماری محدود، هم‌ارزی دو روش را ثابت نمی‌کند.
در آستانه‌هایی که با استفاده از داده‌های آموزشی تعیین شده بودند، جنگل تصادفی حساسیت ۸۴٫۶ درصد، ویژگی ۷۰٫۸ درصد و دقت کلی ۷۲ درصد داشت. XGBoost با دقت کلی ۷۴٫۱ درصد و ویژگی ۷۳٫۸ درصد، بالاترین مقادیر را در این دو شاخص ثبت کرد؛ حساسیت این مدل ۷۶٫۹ درصد بود. امتیاز GWTG-HF به حساسیت ۹۲٫۳ درصد، ویژگی ۶۷٫۷ درصد و دقت کلی ۶۹٫۹ درصد دست یافت. میزان صحت پیش‌بینی‌های مثبت در همه روش‌ها پایین بود؛ این مقدار برای جنگل تصادفی ۰٫۲۲۴ و برای GWTG-HF برابر با ۰٫۲۲۲ بود. پایین بودن شیوع مرگ‌ومیر در مجموعه آزمون، که ۹٫۱ درصد بود، تا حدی این نتیجه را توضیح می‌دهد. فاصله‌های اطمینان گسترده برای شاخص‌های طبقه‌بندی نیز بر عدم قطعیت نتایج افزودند. بااین‌حال، تحلیل منحنی تصمیم نشان داد که در دامنه احتمال آستانه‌ای تقریباً ۰٫۰۵ تا ۰٫۳۰، جنگل تصادفی و GWTG-HF در مقایسه با فرض پرخطر بودن همه بیماران یا هیچ‌یک از آن‌ها، سود خالص بیشتری فراهم می‌کردند. در بخش عمده این دامنه، امتیاز GWTG-HF بیشترین سود خالص را داشت.
ارزیابی کالیبراسیون یکی از محدودیت‌های مهم پیش‌بینی‌های یادگیری ماشین را آشکار کرد. CatBoost از نظر عددی کمترین امتیاز بریر را با مقدار ۰٫۰۸۵ داشت و شیب کالیبراسیون جنگل تصادفی، با مقدار ۱٫۰۸۷، بیش از سایر مدل‌ها به عدد یک نزدیک بود. بااین‌حال، امتیاز بریر مقیاس‌بندی‌شده برای تمام مدل‌های یادگیری ماشین پایین یا منفی بود. عرض از مبدأ کالیبراسیون این مدل‌ها بین ۱٫۰۰- و ۱٫۹۱- قرار داشت که نشان‌دهنده بیش‌برآورد نظام‌مند خطر پیش‌بینی‌شده بود. پژوهشگران این الگو را با اصلاح شدید عدم توازن میان کلاس‌ها مرتبط دانستند و خاطرنشان کردند که کاهش یا حذف این اصلاح بیش‌ازحد و انجام کالیبراسیون مجدد پس از آموزش، کالیبراسیون را بهبود می‌دهد، بی‌آنکه قدرت تفکیک مدل‌ها به‌طور چشمگیری تغییر کند. امتیاز GWTG-HF کالیبراسیون بهتری داشت: امتیاز بریر آن ۰٫۰۷۳، امتیاز بریر مقیاس‌بندی‌شده ۰٫۱۱۷، شیب کالیبراسیون ۱٫۶۳۳ و عرض از مبدأ کالیبراسیون ۰٫۰۹۵- بود. این یافته‌ها تفاوت مهمی را روشن می‌کنند: توانایی مدل در مرتب‌سازی بیماران بر اساس خطر با قابل‌اعتماد بودن برآورد عددی احتمال وقوع پیامد یکسان نیست.
برای تبیین عملکرد مدل برتر، پژوهشگران از روش SHAP، مخفف توضیحات افزایشی شاپلی، استفاده کردند. این روش سهم هر متغیر را در شکل‌گیری پیش‌بینی هر بیمار مشخص می‌کند. متغیرهای اثرگذارتر شامل نارسایی حاد جبران‌نشده قلبی، نارسایی تنفسی، NT-proBNP، تروپونین I با حساسیت بالا و اتساع بطن چپ بودند. جهت ارتباط متغیرها نیز اهمیت داشت: مقادیر بالاتر NT-proBNP و تروپونین I، نارسایی تنفسی و شوک قلبی با افزایش خطر مرگ پیش‌بینی‌شده همراه بودند؛ در مقابل، فنوتیپ نارسایی حاد جبران‌نشده قلبی و اتساع بطن چپ با خطر پیش‌بینی‌شده پایین‌تر ارتباط داشتند. این الگو با داده‌های توصیفی مطالعه هم‌خوان بود؛ در میان بیمارانی که جان باختند، موارد نارسایی جبران‌نشده کمتر شایع بود، درحالی‌که تظاهرهای جدید نارسایی قلبی و شوک سهم بیشتری از موارد مرگبار را تشکیل می‌دادند. یافته‌های SHAP بیانگر ارتباط‌هایی هستند که مدل از داده‌ها آموخته است و نباید آن‌ها را روابط علت‌ومعلولی دانست. این مدل مجموعه‌ای از نشانگرهای نارسایی حاد همودینامیک، آسیب عضله قلب، احتقان و اختلال عملکرد اندام‌های حیاتی را در کنار یکدیگر در نظر می‌گرفت.
برخی ویژگی‌های طراحی مطالعه، از جمله جذب آینده‌نگر بیماران، تعیین پیامدها، مشخص کردن زمان پیش‌بینی از پیش، جلوگیری از نشت اطلاعات در مرحله پیش‌پردازش و ارزیابی قدرت تفکیک، کالیبراسیون و سودمندی تصمیم‌گیری، نقاط قوت پژوهش بودند. بااین‌حال، محدودیت‌های مهمی باقی ماندند. در کل فقط ۵۳ مورد مرگ رخ داد که حدود ۴۰ مورد آن در مجموعه توسعه مدل و ۱۳ مورد در مجموعه آزمون ثبت شد. نسبت تعداد رویدادها به تعداد متغیرها در کل داده‌ها حدود ۱٫۷ و در داده‌های توسعه مدل حدود ۱٫۳ بود؛ این ارقام بسیار پایین‌تر از راهنمایی‌های متعارف‌اند و ارزیابی پایداری مدل‌ها را دشوار می‌کنند. افزون بر این، پژوهش تنها در یک مرکز تخصصی و طی دوره جذب نه‌ماهه انجام شد. اعتبارسنجی داخلی و اصلاح خوش‌بینی نمی‌توانند جای آزمون خارجی در بیمارستان‌ها، جمعیت‌ها و دوره‌های زمانی مختلف را بگیرند. همچنین، هنگام محاسبه مؤلفه نژاد در امتیاز GWTG-HF، همه بیماران در گروه غیرسیاه‌پوست قرار داده شدند. پژوهشگران این کار را برای جمعیت ویتنامی مورد مطالعه مناسب دانستند، اما چنین رویکردی قابلیت تعمیم نتایج به جمعیت‌هایی با تنوع قومی بیشتر را محدود می‌کند.
پیام کاربردی این مطالعه محتاطانه است و بر برتری صرف الگوریتم‌ها تکیه ندارد: یادگیری ماشین تبیین‌پذیر توانست در یک گروه آینده‌نگر از بیماران مبتلا به نارسایی حاد قلبی در جنوب شرق آسیا، رتبه‌بندی بالینی معقولی از خطر ارائه کند، اما برتری آن نسبت به یک امتیاز بالینی متداول هنوز اثبات نشده است. نتیجه به‌دست‌آمده از جنگل تصادفی امیدوارکننده است، به‌ویژه آنکه توضیحات SHAP پیش‌بینی‌های مدل را به نشانگرهای شناخته‌شده شدت بیماری پیوند می‌داد. بااین‌حال، شمار اندک رویدادها و کالیبراسیون نامناسب احتمال‌ها مانع از آن است که خروجی خام مدل برای تصمیم‌گیری درباره بیماران به کار رود. پیش از پیاده‌سازی در پرونده الکترونیک سلامت، این مدل‌ها به کالیبراسیون مجدد، اعتبارسنجی خارجی در چند مرکز، اعتبارسنجی زمانی، بررسی سهولت استفاده برای پزشکان و بار هشدارها، سازوکارهای نظارتی مناسب و ارزیابی آینده‌نگر اثر بالینی نیاز دارند. تا آن زمان، یافته‌ها از ادامه بررسی این مدل‌های تبیین‌پذیر به‌عنوان ابزارهای مکمل احتمالی برای روش‌های معتبر ارزیابی خطر حمایت می‌کنند، نه جایگزینی فوری آن‌ها.
موضوع پژوهش: ارزیابی آینده‌نگر مدل‌های یادگیری ماشین تبیین‌پذیر برای پیش‌بینی مرگ‌ومیر در بیمارستان در بیماران مبتلا به نارسایی حاد قلبی
عنوان مقاله: یادگیری ماشین تبیین‌پذیر برای پیش‌بینی مرگ‌ومیر در بیمارستان در نارسایی حاد قلبی: مطالعه هم‌گروهی آینده‌نگر تک‌مرکزی از ویتنام
منبع مقاله: Hoang, S. V., Nguyen, K. M., Nguyen, T. N., & Do, H. N. (2026). Explainable machine learning for predicting in-hospital mortality in acute heart failure: a prospective single-center cohort study from Vietnam. Frontiers in Cardiovascular Medicine, 13, Article 1927124. https://doi.org/10.3389/fcvm.2026.1927124
شناسه دیجیتال مقاله (DOI): 10.3389/fcvm.2026.1927124
کلیدواژه‌ها: نارسایی حاد قلبی، مرگ‌ومیر در بیمارستان، هوش مصنوعی تبیین‌پذیر، یادگیری ماشین، جنگل تصادفی، پیش‌بینی خطر، توضیحات SHAP، کالیبراسیون مدل، مقایسه امتیازهای بالینی، ویتنام