مدل یادگیری ماشین می‌تواند عوارض بیمارستانی پس از آسیب تروماتیک مغزی را پیش‌بینی کند
بیمارانی که به‌دلیل آسیب حاد تروماتیک مغزی در بیمارستان بستری می‌شوند، اغلب با موج دوم خطر روبه‌رو هستند: عوارضی که در طول بستری بروز می‌کنند و می‌توانند روند بهبودی را طولانی‌تر کنند یا پیامدهای عصبی نامطلوب‌تری به همراه داشته باشند. نتایج یک مطالعه گذشته‌نگر که در نشریه Brain Informatics منتشر شده است، نشان می‌دهد مدلی ساده مبتنی بر چهار متغیر قابل ارزیابی هنگام پذیرش می‌تواند بیمارانی را که در معرض خطر بالای این عوارض قرار دارند، شناسایی کند. نسخه مبتنی بر رگرسیون لجستیک این مدل به سطح زیر منحنی ۰٫۹۵۲ دست یافت؛ فاصله اطمینان ۹۵ درصد این برآورد بین ۰٫۹۰۵ تا ۰٫۹۹۲ بود.
این پژوهش به سرپرستی میهوا وانگ و همکارانش انجام شد و در آن، پرونده‌های ۱۸۶ بیمار بزرگسال مبتلا به آسیب حاد تروماتیک مغزی که در یک واحد مراقبت‌های ویژه عصبی بستری شده بودند، به‌صورت گذشته‌نگر بررسی شد. هدف پژوهشگران، طراحی و اعتبارسنجی مدلی کاربردی در محیط بالینی بود که بتواند خطر بروز عوارض حین بستری را در این گروه از بیماران، با استفاده از اطلاعات در دسترس هنگام پذیرش، پیش‌بینی کند.
از مجموع ۱۸۶ بیمار بررسی‌شده، ۱۳۶ نفر، معادل ۷۳٫۱۲ درصد، در طول بستری دچار عوارض شدند. نویسندگان در مقدمه مقاله خاطرنشان کرده‌اند که این میزان بالای بروز عوارض نشان می‌دهد مشکلاتی که در بیمارستان ایجاد می‌شوند، تا چه اندازه در میان مبتلایان به آسیب حاد تروماتیک مغزی شایع‌اند و چگونه می‌توانند به طولانی‌شدن مدت بستری و نامطلوب‌شدن پیامدهای عصبی منجر شوند.
پژوهشگران برای ساخت مدل‌های پیش‌بینی، پنج روش را با یکدیگر مقایسه کردند: رگرسیون لجستیک، رگرسیون لاسو (Lasso)، جنگل تصادفی، ماشین بردار پشتیبان و درخت تصمیم. این روش‌ها هم برای غربالگری عوامل پیش‌بینی‌کننده احتمالی و هم برای ساخت مدل‌های پیش‌آگهی به کار رفتند. سپس عملکرد مدل‌ها با استفاده از سه معیار ارزیابی شد: قدرت تفکیک، کالیبراسیون و تحلیل منحنی تصمیم. ترکیب این معیارها به پژوهشگران امکان می‌داد علاوه بر سنجش توانایی مدل‌ها در تفکیک بیماران پرخطر از کم‌خطر، میزان انطباق احتمال‌های پیش‌بینی‌شده با نتایج مشاهده‌شده و ارزش بالقوه مدل‌ها برای تصمیم‌گیری بالینی را نیز بررسی کنند.
چهار متغیر مرتبط با زمان پذیرش، به‌عنوان پیش‌بینی‌کننده‌های مستقل عوارض حین بستری شناسایی شدند: هموگلوبین گلیکوزیله (HbA1c)، نمره مقیاس کمای گلاسکو (GCS)، افزایش قند خون ناشی از استرس (SIH) و وجود آسیب‌های شدید خارج از جمجمه. هر چهار عامل را می‌توان اندکی پس از ورود بیمار به بیمارستان اندازه‌گیری یا ارزیابی کرد. به همین دلیل، این مدل برای شناسایی زودهنگام بیماران در معرض خطر کاربرد دارد و برای پیش‌بینی به اطلاعاتی که طی روزهای بعد از بستری جمع‌آوری می‌شوند، وابسته نیست.
بر اساس نتایج مطالعه، مدل نهایی که این چهار متغیر را در بر می‌گرفت، از قدرت تفکیک بالا، کالیبراسیون قابل‌اعتماد و ارزش بالینی معناداری برخوردار بود. در میان پنج روش بررسی‌شده، رگرسیون لجستیک بهترین عملکرد را داشت و به سطح زیر منحنی (AUC) برابر با ۰٫۹۵۲، با فاصله اطمینان ۹۵ درصد از ۰٫۹۰۵ تا ۰٫۹۹۲، رسید. چنین مقداری نشان می‌دهد که این مدل در مجموعه داده‌های بررسی‌شده در مطالعه گذشته‌نگر، توانایی بالایی در تمایز میان بیمارانی داشت که بعداً دچار عوارض شدند و بیمارانی که چنین عوارضی را تجربه نکردند.
نویسندگان نتیجه گرفته‌اند که یک مدل ساده و کاربردی مبتنی بر HbA1c، نمره GCS، افزایش قند خون ناشی از استرس و آسیب‌های شدید خارج از جمجمه می‌تواند خطر بروز عوارض حین بستری را در بیماران مبتلا به آسیب حاد تروماتیک مغزی به‌طور مؤثری پیش‌بینی کند. به گفته آنان، این مدل ممکن است به پزشکان در شناسایی زودهنگام بیماران پرخطر و تصمیم‌گیری‌های بالینی کمک کند.
بااین‌حال، نتایج این پژوهش محدودیت‌هایی دارد. مطالعه به‌صورت گذشته‌نگر و در یک مرکز انجام شد و بیماران همگی از یک واحد مراقبت‌های ویژه عصبی انتخاب شده بودند. خود پژوهشگران نیز تأکید کرده‌اند که برای اعتبارسنجی و بهبود مدل، انجام مطالعات آینده‌نگر در چند مرکز درمانی ضروری است. طراحی گذشته‌نگر می‌تواند ارتباط میان عوامل مختلف را شناسایی کند و عملکرد پیش‌بینی مدل را در گروه بررسی‌شده نشان دهد، اما ثابت نمی‌کند که مدل در بیمارستان‌ها، نظام‌های سلامت یا جمعیت‌های دیگر نیز به همان اندازه دقیق عمل خواهد کرد. مقدار AUC گزارش‌شده صرفاً بیانگر عملکرد مدل در همین مجموعه داده است و اعتبار آن در داده‌های مستقل و محیط‌های دیگر همچنان باید بررسی شود.
نتایج این پژوهش در قالب مقاله‌ای با دسترسی آزاد، در تاریخ ۱۸ سپتامبر ۲۰۲۶ در نشریه Brain Informatics منتشر شد. نسخه منتشرشده، دست‌نوشته پذیرفته‌شده مقاله است که برای دسترسی سریع‌تر به پژوهش داوری‌شده در اختیار عموم قرار گرفته و پیش از انتشار نسخه نهایی رسمی مقاله، ممکن است ویرایش‌های بیشتری روی آن انجام شود.
موضوع پژوهش: پیش‌بینی عوارض حین بستری پس از آسیب حاد تروماتیک مغزی با استفاده از مدل‌های یادگیری ماشین
عنوان مقاله: پیش‌بینی زودهنگام عوارض حین بستری پس از آسیب حاد تروماتیک مغزی: مطالعه‌ای گذشته‌نگر با استفاده از چندین مدل یادگیری ماشین
مشخصات منبع: وانگ، م.-ه.، لی، ر.، فانگ، ج.، دنگ، ش.، ژانگ، ج.، گوئو، ی.، چن، ل.، چن، ل.، یو، چ.، چن، ی.، وو، گ.، هو، ج.، یائو، ه.، یوان، ق. و یانگ، ل. (۲۰۲۶). «پیش‌بینی زودهنگام عوارض حین بستری پس از آسیب حاد تروماتیک مغزی: مطالعه‌ای گذشته‌نگر با استفاده از چندین مدل یادگیری ماشین». Brain Informatics. https://doi.org/10.1186/s40708-026-00334-w
شناسه دیجیتال مقاله (DOI): 10.1186/s40708-026-00334-w
کلیدواژه‌ها: آسیب تروماتیک مغزی، عوارض حین بستری، یادگیری ماشین، رگرسیون لجستیک، مقیاس کمای گلاسکو، HbA1c، افزایش قند خون ناشی از استرس، پیش‌بینی خطر، واحد مراقبت‌های ویژه عصبی، مطالعه گذشته‌نگر، پیش‌بینی زودهنگام.