شناسایی خطر زخم پای دیابتی در بیماران بستری با آزمایش‌های ساده خون و یادگیری ماشین
بیماران مبتلا به دیابت نوع ۲ که در بیمارستان بستری می‌شوند، ممکن است با خطری پنهان اما جدی روبه‌رو شوند: ایجاد ناگهانی زخم پای دیابتی در دوره بستری، در حالی که اساساً برای درمان مشکل دیگری به بیمارستان مراجعه کرده‌اند. پژوهشی گذشته‌نگر که به‌تازگی در بیمارستان ششم وابسته به دانشگاه علوم پزشکی سین‌کیانگ در شهر ارومچی چین انجام شده، نشان می‌دهد که می‌توان با استفاده از نتایج آزمایش‌های معمول خون هنگام پذیرش و تحلیل آن‌ها به کمک مدل‌های یادگیری ماشین، بیماران در معرض خطر ابتلا به زخم پای دیابتی در بیمارستان را با قدرت تفکیک بالایی شناسایی کرد. این پژوهش که در نشریه Frontiers in Medicine منتشر شده، نشانگرهای آزمایشگاهی متداول را با مجموعه‌ای از شاخص‌های ترکیبی کم‌هزینه مرتبط با التهاب و وضعیت تغذیه‌ای ادغام کرده است. پژوهشگران سپس عملکرد مدل‌های حاصل را با روشی مبتنی بر اعتبارسنجی زمانی ارزیابی کردند؛ روشی که هنوز در بسیاری از مطالعات پیش‌بینی خطر نادیده گرفته می‌شود.
اهمیت بالینی این موضوع چشمگیر است. برآوردها نشان می‌دهد سالانه حدود ۱۸٫۶ میلیون نفر از مبتلایان به دیابت در سراسر جهان دچار زخم پای دیابتی می‌شوند و احتمال ابتلا به این عارضه در طول زندگی بین ۱۹ تا ۳۴ درصد است. این زخم‌ها به‌کندی بهبود می‌یابند و در طول سه تا پنج سال، در حداکثر ۶۵ درصد موارد دوباره ظاهر می‌شوند. همچنین، میزان مرگ‌ومیر پنج‌ساله در بیماران مبتلا به زخم پای دیابتی حدود ۳۰ درصد است و پس از قطع عضو از ۷۰ درصد فراتر می‌رود. در میان بیماران بستری نیز میزان بروز زخم جدید بین ۶ تا ۱۶٫۸ درصد گزارش شده است. از آنجا که کارگروه بین‌المللی پای دیابتی، غربالگری متناسب با سطح خطر، آموزش بیماران، کاهش فشار وارد بر پا و ارزیابی وضعیت عروق را از ارکان اصلی پیشگیری می‌داند، ابزاری که بتواند بیماران پرخطر را همان زمان پذیرش شناسایی کند، دست‌کم از نظر نظری می‌تواند به اجرای به‌موقع‌تر این مداخلات کمک کند.
پژوهشگران اطلاعات ۵۵۰ بیمار متوالی مبتلا به دیابت نوع ۲ را بررسی کردند که از ژانویه ۲۰۲۲ تا دسامبر ۲۰۲۴ در بیمارستان بستری شده بودند. هیچ‌یک از این بیماران هنگام پذیرش زخم فعال پا نداشتند و نتایج آزمایشگاهی آن‌ها در ۴۸ ساعت نخست بستری در دسترس بود. پژوهشگران به‌جای تقسیم تصادفی بیماران به گروه‌های مختلف، که به گفته نویسندگان می‌تواند باعث نشت اطلاعات زمانی و برآورد بیش‌ازحد خوش‌بینانه عملکرد مدل شود، از تقسیم‌بندی زمانی استفاده کردند. به این ترتیب، ۴۰۰ بیمار بستری‌شده در سال‌های ۲۰۲۲ و ۲۰۲۳ در گروه توسعه مدل قرار گرفتند و اطلاعات ۱۵۰ بیمار بستری‌شده در سال ۲۰۲۴ برای اعتبارسنجی زمانی مستقل کنار گذاشته شد. در طول بستری، ۶۶ بیمار، معادل ۱۲ درصد کل افراد بررسی‌شده، به زخم جدید پای دیابتی مبتلا شدند. نکته قابل‌توجه اینکه میزان بروز زخم در هر دو گروه دقیقاً ۱۲ درصد بود.
متغیرهایی که پژوهشگران برای پیش‌بینی خطر بررسی کردند، بسیار فراتر از عوامل خطر شناخته‌شده و متداول بود. علاوه بر سن، جنسیت، مدت ابتلا به دیابت، فشار خون و سابقه مصرف دخانیات و الکل، اطلاعاتی مانند درصد نوتروفیل‌ها، شمار لنفوسیت‌ها، شمار پلاکت‌ها، هموگلوبین، آلبومین سرم، پروتئین واکنشی C یا CRP، کلسترول لیپوپروتئین با چگالی بالا یا HDL، هموگلوبین گلیکوزیله یا HbA1c، کراتینین سرم و شاخص مچ پا به بازو نیز جمع‌آوری شد. شاخص مچ پا به بازو معیاری بالینی برای ارزیابی خون‌رسانی شریانی محیطی است که می‌توان آن را کنار تخت بیمار اندازه‌گیری کرد. پژوهشگران سپس با استفاده از همین داده‌های اولیه، پنج شاخص ترکیبی محاسبه کردند: نسبت درصد نوتروفیل به آلبومین (NPAR)، نسبت آلبومین به نوتروفیل به لنفوسیت (ANLR)، امتیاز هموگلوبین، آلبومین، لنفوسیت و پلاکت (HALP)، شاخص التهاب ایمنی سیستمیک (SII) و نسبت پروتئین واکنشی C به آلبومین (CRP/ALB). هر یک از این شاخص‌ها اطلاعات مربوط به فعالیت سیستم ایمنی، ذخایر تغذیه‌ای بدن و التهاب سیستمیک را در قالب یک عدد خلاصه می‌کند؛ عددی که محاسبه آن به آزمایش اضافی یا هزینه بیشتری نیاز ندارد.
انتخاب متغیرهای پیش‌بینی‌کننده در دو مرحله و صرفاً با استفاده از اطلاعات گروه توسعه انجام شد. در مرحله نخست، رگرسیون لجستیک تک‌متغیره با آستانه نسبتاً آسان‌گیرانه P کمتر از ۰٫۲۰، سیزده متغیر را برای بررسی بیشتر حفظ کرد. این متغیرها سپس وارد رگرسیون لاسو (LASSO)، مبتنی بر روش کمینه‌سازی قدر مطلق ضرایب و انتخاب متغیر، شدند و با اعتبارسنجی متقاطع طبقه‌بندی‌شده هشت‌بخشی ارزیابی شدند. در پایان، یازده متغیر با ضرایب غیرصفر باقی ماندند: سن، مدت ابتلا به دیابت، درصد نوتروفیل‌ها، پروتئین واکنشی C، کلسترول HDL، هموگلوبین گلیکوزیله، شاخص مچ پا به بازو، NPAR، ANLR، HALP و SII. نکته جالب اینکه ضرایب شمار لنفوسیت‌ها و آلبومین به‌تنهایی به صفر کاهش یافت و نسبت CRP به آلبومین نیز از همان مرحله غربالگری اولیه عبور نکرد. در مدل رگرسیون لجستیک چندمتغیره، سن، مدت ابتلا به دیابت، HbA1c و ANLR همچنان از نظر آماری معنادار بودند و HbA1c ارتباط تعدیل‌شده به‌ویژه قدرتمندی با خطر زخم نشان داد.
در مرحله بعد، چهار مدل با استفاده از یازده متغیر منتخب آموزش داده شدند: رگرسیون لجستیک، جنگل تصادفی، LightGBM و XGBoost. آستانه طبقه‌بندی هر مدل پیش از استفاده از داده‌های اعتبارسنجی و صرفاً بر اساس گروه توسعه تعیین و تثبیت شد؛ جزئیاتی که برای استفاده واقعی از مدل‌ها در محیط بالینی اهمیت زیادی دارد. در گروه اعتبارسنجی سال ۲۰۲۴، رگرسیون لجستیک بالاترین قدرت تفکیک مشاهده‌شده را به دست آورد. مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) این مدل به ۰٫۹۷۶ رسید و فاصله اطمینان ۹۵ درصد آن، بر اساس روش بوت‌استرپ، بین ۰٫۹۳۶ تا ۰٫۹۹۲ بود. میانگین دقت نیز ۰٫۷۶۲ گزارش شد. این مدل با آستانه ازپیش‌تعیین‌شده ۰٫۵۹۳ توانست ۱۷ نفر از ۱۸ بیماری را که در طول بستری دچار زخم شدند، به‌درستی شناسایی کند. حساسیت مدل ۰٫۹۴۴، ویژگی آن ۰٫۹۳۲ و امتیاز F1 برابر با ۰٫۷۷۳ بود. در مجموع، مدل ۹ نتیجه مثبت کاذب و تنها یک نتیجه منفی کاذب ثبت کرد.
با این حال، نتایج مدل‌های مبتنی بر تقویت گرادیانی تصویر پیچیده‌تری ارائه کرد. مدل XGBoost به AUC برابر با ۰٫۹۴۵ و امتیاز بریر ۰٫۰۶۷ دست یافت و آزمون هاسمر–لمشو نیز برای آن نتیجه‌ای غیرمعنادار از نظر آماری نشان داد (P = ۰٫۳۵۰). با وجود این، حساسیت مدل در آستانه ثابت ۰٫۸۲۹ تنها ۰٫۳۸۹ بود؛ به این معنا که ۱۱ مورد از ۱۸ مورد زخم را شناسایی نکرد. مدل LightGBM با امتیاز بریر ۰٫۰۶۴، کمترین مقدار این شاخص را در میان چهار مدل ثبت کرد، اما حساسیت آن به‌شدت کاهش یافت و به ۰٫۰۵۶ رسید؛ یعنی تنها یک بیمار مبتلا به زخم را به‌درستی شناسایی کرد. عملکرد جنگل تصادفی بین این مدل‌ها قرار گرفت و AUC آن ۰٫۹۴۳، حساسیتش ۰٫۸۸۹ و ویژگی آن ۰٫۸۷۹ بود. از سوی دیگر، رگرسیون لجستیک با وجود قدرت تفکیک بسیار بالا، در آزمون هاسمر–لمشو نشانه‌ای معنادار از نظر آماری از برازش نامناسب کالیبراسیون نشان داد (P = ۰٫۰۰۱). بنابراین، نویسندگان نتیجه گرفتند که هیچ‌یک از مدل‌ها در تمام معیارهای قدرت تفکیک، کالیبراسیون و حساسیت وابسته به آستانه، به‌طور یکسان برتر نبود. این ارزیابی صریح و محتاطانه با رویکرد رایج در بسیاری از پژوهش‌ها که معمولاً یک مدل را به‌عنوان برنده نهایی معرفی می‌کنند، تفاوت دارد.
پژوهشگران برای روشن‌تر کردن سازوکار تصمیم‌گیری مدل‌ها و بررسی آنچه در اصطلاح «جعبه سیاه» نامیده می‌شود، تحلیل SHAP یا توضیحات افزایشی شاپلی را روی مدل XGBoost اجرا کردند. بر اساس میانگین قدر مطلق مقادیر SHAP، پنج متغیر اثرگذار اصلی عبارت بودند از ANLR با مقدار ۱٫۷۸۷، HbA1c با مقدار ۰٫۹۰۰، HALP با مقدار ۰٫۴۷۳، سن با مقدار ۰٫۲۹۷ و SII با مقدار ۰٫۲۷۱. پس از آن‌ها، شاخص مچ پا به بازو، مدت ابتلا به دیابت، NPAR، درصد نوتروفیل‌ها، CRP و کلسترول HDL قرار گرفتند. مقادیر بالاتر HbA1c و SII عموماً پیش‌بینی مدل را به سمت خطر بیشتر سوق می‌دادند، در حالی که شاخص‌های ANLR و HALP در تحلیل وابستگی جزئی، الگوهای پیچیده‌تر و غیرخطی نشان دادند. با این حال، نویسندگان تأکید می‌کنند که این میزان اثرگذاری فقط در چارچوب همان مدل معنا دارد. شاخص‌های ANLR، HALP، SII و NPAR از نظر ریاضی بر پایه مؤلفه‌های مشترکی مانند نوتروفیل‌ها، لنفوسیت‌ها، آلبومین، هموگلوبین و پلاکت‌ها ساخته شده‌اند. بنابراین، اهمیت ظاهری آن‌ها ممکن است ناشی از اطلاعات مشترک باشد، نه اثرات زیستی مستقل. به همین دلیل، رتبه‌بندی SHAP در حضور متغیرهای هم‌بسته را نباید نشانه وجود رابطه علت و معلولی دانست.
پژوهشگران محدودیت‌های مطالعه را نیز با جزئیاتی قابل‌توجه تشریح کرده‌اند. این پژوهش در یک مرکز درمانی و به‌صورت گذشته‌نگر انجام شده است؛ بنابراین، هنوز مشخص نیست نتایج آن تا چه اندازه در بیمارستان‌های دیگر، با تجهیزات و روش‌های آزمایشگاهی متفاوت و در جمعیت‌های گوناگون قابل تعمیم خواهد بود. گروه اعتبارسنجی تنها شامل ۱۸ مورد بروز زخم بود و همین تعداد محدود، برآوردهای عملکرد مدل‌ها را آسیب‌پذیر می‌کند؛ به‌طوری‌که تغییر در طبقه‌بندی تنها چند بیمار می‌تواند اعداد گزارش‌شده را به میزان قابل‌توجهی جابه‌جا کند. علاوه بر این، برخی عوامل شناخته‌شده خطر زخم پا، از جمله سابقه زخم قبلی، شدت نوروپاتی، بدشکلی پا، فشار کف پا، وضعیت پوست و وجود عفونت در مدل‌ها لحاظ نشده بودند. در نتیجه، ممکن است مدل‌ها به‌جای پیش‌بینی واقعاً زودهنگام، تا حدی وضعیت پرخطر التهابی، تغذیه‌ای یا عروقی بیمار را شناسایی کرده باشند که نشانه‌های آن از قبل وجود داشته است. احتمال علیت معکوس نیز منتفی نیست؛ زیرا نتایج آزمایش خون گرفته‌شده در ۴۸ ساعت نخست بستری ممکن است از مشکلات پنهان و هنوز تشخیص‌داده‌نشده پا تأثیر پذیرفته باشد. یک تحلیل اکتشافی با استفاده از شاخص یودن روی داده‌های اعتبارسنجی نشان داد که رگرسیون لجستیک می‌تواند در آستانه‌ای نزدیک به ۰٫۵۴۲ به حساسیت ۹۴٫۴ درصد و ویژگی ۹۴٫۷ درصد برسد. با این حال، نویسندگان هشدار می‌دهند که این آستانه با استفاده از همان داده‌های اعتبارسنجی بهینه‌سازی شده و در نتیجه، قابلیت تعمیم آن به داده‌های مستقل دیگر اثبات نشده است.
در مجموع، این پژوهش ظرفیت امیدوارکننده یک روش پیش‌بینی را نشان می‌دهد، بی‌آنکه درباره توانایی آن ادعایی فراتر از شواهد مطرح کند. مدل‌هایی که بر پایه آزمایش‌های معمول، ارزان‌قیمت و در دسترس هنگام پذیرش ساخته شدند، در جمعیت بررسی‌شده قدرت تفکیک مشاهده‌شده بالایی برای شناسایی خطر زخم پای دیابتی در طول بستری داشتند. شاخص‌های ترکیبی التهاب و وضعیت تغذیه‌ای، به‌ویژه ANLR و HALP، نیز نقش مهمی در تصمیم‌گیری مدل ایفا کردند. با این همه، نویسندگان صریحاً اعلام کرده‌اند که این مدل‌ها هنوز برای استفاده بالینی آماده نیستند. مدل‌های LightGBM و XGBoost با آستانه‌های فعلی نباید به‌عنوان ابزار غربالگری به کار گرفته شوند. پیش از هرگونه استفاده بالینی، انجام اعتبارسنجی آینده‌نگر در چند مرکز درمانی همراه با ارزیابی کامل ویژگی‌های خطر زخم پا، بررسی رسمی هم‌پوشانی و افزونگی متغیرهای پیش‌بینی‌کننده، تنظیم مجدد آستانه‌های تصمیم‌گیری و کالیبراسیون احتمال‌های پیش‌بینی‌شده و همچنین اجرای کارآزمایی‌هایی برای سنجش اثر واقعی این ابزارها بر مراقبت بالینی ضروری است. تا آن زمان، ارزش این پژوهش بیش از هر چیز در ارائه الگویی روش‌شناختی است که نشان می‌دهد چگونه می‌توان تقسیم‌بندی زمانی داده‌ها، آستانه‌های ثابت، تحلیل کالیبراسیون و روش‌های توضیح‌پذیری را برای ارزیابی دقیق و واقع‌بینانه یک مدل پیش‌بینی کنار هم قرار داد. این مطالعه همچنین یادآور می‌شود که در پیش‌بینی‌های بالینی، دستیابی به AUC بالا تنها نقطه آغاز ارزیابی یک مدل است، نه پایان آن.
موضوع پژوهش: پیش‌بینی زخم پای دیابتی در دوران بستری بیماران مبتلا به دیابت نوع ۲ با استفاده از یادگیری ماشین و شاخص‌های ترکیبی التهاب و وضعیت تغذیه‌ای
عنوان مقاله علمی: توسعه و اعتبارسنجی زمانی یک مدل توضیح‌پذیر یادگیری ماشین برای پیش‌بینی زخم پای دیابتی در دوران بستری بیماران مبتلا به دیابت نوع ۲ با استفاده از شاخص‌های ترکیبی التهاب و وضعیت تغذیه‌ای
منبع علمی: وانگ، ایکس.، لی، سی.، توئو، وای.، ژائو، بی.، شیاهاتی، ای.، فن، ال. و وهافو، پی. (۲۰۲۶). «توسعه و اعتبارسنجی زمانی یک مدل توضیح‌پذیر یادگیری ماشین برای پیش‌بینی زخم پای دیابتی در دوران بستری بیماران مبتلا به دیابت نوع ۲ با استفاده از شاخص‌های ترکیبی التهاب و وضعیت تغذیه‌ای». Frontiers in Medicine، جلد ۱۳، شماره مقاله ۱۹۳۸۴۲۹. https://doi.org/10.3389/fmed.2026.1938429
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.3389/fmed.2026.1938429
کلیدواژه‌ها: زخم پای دیابتی، دیابت نوع ۲، یادگیری ماشین، نشانگرهای زیستی التهاب، وضعیت تغذیه‌ای، SHAP، اعتبارسنجی زمانی، XGBoost، LightGBM، رگرسیون لجستیک، پیش‌بینی خطر، بیماران بستری