چرا بزرگ‌تر شدن پایگاه‌های داده جراحی، لزوماً به پیش‌بینی‌های هوشمندانه‌تر با یادگیری ماشین منجر نمی‌شود

هوش مصنوعی با وعده‌ای وسوسه‌انگیز وارد عرصه پژوهش‌های جراحی شده است: اگر داده‌های کافی از بیماران در اختیار یک الگوریتم قرار دهیم، می‌تواند پیش‌بینی کند چه کسانی دچار عوارض خواهند شد، احتمال عود فتق در کدام بیماران بیشتر است و چه افرادی ممکن است با عوارض ناشی از عمل جراحی روبه‌رو شوند. جراحی دیواره شکم نیز از این روند استقبال کرده و پژوهش‌هایی برای استفاده از هوش مصنوعی در پیش‌بینی عود فتق، عوارض پس از عمل و دیگر پیامدهای بالینی انجام داده است. بااین‌حال، مقاله‌ای دیدگاهی از سوی گروهی از جراحان و آمارشناسان در بارسلونا استدلال می‌کند که گاهی شوروشوق این حوزه از آنچه داده‌ها واقعاً امکان‌پذیر می‌سازند، فراتر می‌رود. پژوهشگران بیمارستان دانشگاهی وال دِ ابرون و دانشگاه خودگردان بارسلونا در مقاله‌ای منتشرشده در مجله Journal of Abdominal Wall Surgery توضیح می‌دهند که حتی پایگاه‌های داده ملی بسیار بزرگ نیز ممکن است اطلاعات کافی برای آموزش مؤثر مدل‌های یادگیری ماشین نداشته باشند. به گفته آن‌ها، نتایج خنثی یا غیرقطعی چنین پژوهش‌هایی لزوماً نشانه شکست نیستند، بلکه خود می‌توانند یافته‌هایی ارزشمند برای علم باشند.

استدلال این گروه از تجربه‌ای واقعی و درس‌آموز شکل گرفت. آن‌ها پایگاه ملی اسپانیایی EVEREG را بررسی کردند؛ مجموعه‌ای از داده‌های مربوط به ترمیم فتق اینگوینواسکروتال که تقریباً ۷۵۰ عمل جراحی را در بر می‌گرفت. در نگاه نخست، چنین مجموعه‌ای داده‌ای ایدئال برای یادگیری ماشین به نظر می‌رسد. اما در عمل، عوارض پس از جراحی تنها در ۵۲ بیمار رخ داده بود. پژوهشگران مجموعه گسترده‌ای از الگوریتم‌ها، از جمله جنگل تصادفی، ماشین بردار پشتیبان، شبکه‌های عصبی، الگوریتم نزدیک‌ترین همسایه‌ها و رگرسیون الاستیک‌نت را آزمایش کردند. برخلاف انتظار، هیچ‌یک از این روش‌ها برتری بالینی معناداری نسبت به روش‌های دیگر نشان نداد. عملکرد تقریباً مشابه الگوریتم‌هایی با ساختارهای کاملاً متفاوت، پرسشی را مطرح کرد که پژوهشگران هوش مصنوعی در جراحی کمتر به آن توجه می‌کنند: آیا گاهی بیش از آنچه داده‌های موجود اجازه می‌دهند، از یادگیری ماشین انتظار داریم؟

نکته اصلی این استدلال ساده به نظر می‌رسد، اما از نظر فنی اهمیت زیادی دارد: مدل‌های پیش‌بینی فقط از تعداد بیماران یاد نمی‌گیرند، بلکه به تعداد رخدادهای بالینی معنادار نیز وابسته‌اند. الگوریتم‌های یادگیری ماشین با استخراج الگو از نمونه‌ها آموزش می‌بینند و در پیش‌بینی پیامدهای جراحی، نمونه‌های مهم بیمارانی هستند که واقعاً پیامد موردنظر را تجربه کرده‌اند؛ برای مثال، عفونت ناشی از مش جراحی، عود فتق، عوارض عمده محل جراحی یا عوارض شدید پس از عمل. این پیامدها در جراحی دیواره شکم، به‌ویژه در اقداماتی مانند ترمیم فتق اینگوینال، ممکن است چندان شایع نباشند. بنابراین، پایگاه داده‌ای با صدها بیمار نیز می‌تواند اطلاعات بسیار محدودی برای مدل‌سازی پیش‌بینی فراهم کند. حجم نمونه مؤثر نه‌فقط به تعداد کل بیماران، بلکه به تعداد رخدادهای موردنظر، متغیرهای پیش‌بین احتمالی و پیچیدگی مدل مورد استفاده بستگی دارد.

این تفاوت پیامدهای مهمی برای نحوه استفاده از پایگاه‌های داده دارد. یک پایگاه ملی ممکن است برای مطالعات اپیدمیولوژیک یا ارزیابی کیفیت خدمات درمانی بسیار مناسب باشد، اما اطلاعات کافی برای ساخت مدل‌های پیش‌بینی نداشته باشد. پایگاه EVEREG مجموعه‌ای ملی و ارزشمند از بیماران را در بر می‌گرفت، اما تنها درصد کمی از آن‌ها دچار عوارض پس از عمل شده بودند. در نتیجه، الگوریتم‌های یادگیری ماشین نمونه‌های اندکی از بیماران دارای عارضه در اختیار داشتند تا بتوانند الگوهایی پایدار و تکرارپذیر بیاموزند. نویسندگان تأکید می‌کنند که این مسئله از ارزش پایگاه‌های داده جراحی نمی‌کاهد، بلکه نشان می‌دهد یک پایگاه داده مناسب لزوماً برای پیش‌بینی نیز مناسب نیست. یک مجموعه داده می‌تواند ابزار اپیدمیولوژیک بسیار خوبی باشد، اما در پیش‌بینی عملکرد ضعیفی داشته باشد.

الگوریتم‌های امروزی قادرند روابط پیچیده را شناسایی کنند، اما نمی‌توانند اطلاعات زیستی‌ای را تولید کنند که اساساً در داده‌ها وجود ندارد. وقتی پیامدهای بالینی مهم نادر هستند، افزایش پیچیدگی محاسباتی نمی‌تواند جایگزین رخدادهای واقعی ثبت‌شده شود. این محدودیت فقط به یادگیری ماشین مربوط نیست؛ اگر متغیرهای بالینی مهم ثبت نشده باشند یا تعداد رخدادهای پیامد برای تحلیل کافی نباشد، هر نوع تحلیل پیش‌بینی، چه با روش‌های یادگیری ماشین و چه با روش‌های آماری متعارف، با محدودیت روبه‌رو خواهد شد. ازاین‌رو، ممکن است الگوریتم‌های مختلف یادگیری ماشین عملکردی مشابه داشته باشند، زیرا داده‌های موجود اطلاعات کافی برای بهبود بیشتر پیش‌بینی در اختیار آن‌ها نمی‌گذارند. همه الگوریتم‌ها به یک سقف مشترک می‌رسند و این سقف را خود داده‌ها تعیین می‌کنند.

نویسندگان همچنین میان عدم توازن طبقات و کمبود اطلاعات تمایز مهمی قائل می‌شوند. وقتی عوارض نادرند، توزیع داده‌ها نامتوازن می‌شود و پژوهشگران اغلب به روش‌هایی مانند بیش‌نمونه‌گیری، کم‌نمونه‌گیری یا SMOTE روی می‌آورند. روش SMOTE، یا «تکنیک بیش‌نمونه‌گیری اقلیت مصنوعی»، نمونه‌های جدیدی از طبقه کم‌تعداد می‌سازد تا به بهینه‌سازی مدل کمک کند. بااین‌حال، این روش‌ها نمی‌توانند جایگزین بیماران مستقل جدیدی شوند که واقعاً پیامد موردنظر را تجربه کرده‌اند. نمونه‌های مصنوعی ساخته‌های ریاضی‌اند، نه مشاهدات بالینی واقعی. پژوهش‌های روش‌شناختی اخیر نیز نشان داده‌اند که راهبردهای بازنمونه‌گیری ممکن است کالیبراسیون و قدرت تفکیک مدل‌های پیش‌بینی خطر بالینی را مختل کنند. بنابراین، پیشرفت آینده در پیش‌بینی پیامدهای جراحی دیواره شکم بیش از آنکه به روش‌های پیچیده‌تر متعادل‌سازی داده‌ها وابسته باشد، به ثبت متغیرهای بالینی غنی‌تر، بهبود پیگیری بیماران و ایجاد پایگاه‌های داده مشترک میان مراکز درمانی نیاز دارد.

کمبود رخدادهای پیامد بر راهبرد اعتبارسنجی مدل‌ها نیز تأثیر می‌گذارد. تقسیم متعارف داده‌ها به مجموعه آموزش و آزمون، که در آن بخشی از داده‌ها برای ارزیابی نهایی کنار گذاشته می‌شود، هنگامی که تعداد رخدادها اندک است می‌تواند اطلاعات ارزشمند را هدر دهد. در چنین شرایطی، روش‌های بوت‌استرپ و اعتبارسنجی متقابل تکرارشونده اغلب اعتبارسنجی داخلی کارآمدتری فراهم می‌کنند و امکان استفاده بهتر از هر رخداد موجود را به پژوهشگران می‌دهند. ارزیابی مدل نیز نباید تنها بر دقت کلی یا مساحت زیر منحنی مشخصه عملکرد سامانه تشخیص، موسوم به AUROC، متکی باشد. در مجموعه‌داده‌های نامتوازن، معیارهایی مانند کالیبراسیون، حساسیت، ارزش اخباری مثبت و منحنی‌های دقت-بازیابی اغلب ارزیابی معنادارتری از سودمندی بالینی مدل ارائه می‌کنند. ممکن است مدلی بر اساس AUROC عملکرد چشمگیری داشته باشد، اما در برآورد احتمال خطر در محدوده‌هایی که پزشکان برای تصمیم‌گیری به آن‌ها نیاز دارند، کالیبراسیون ضعیفی نشان دهد. نویسندگان در نهایت استدلال می‌کنند که ارزش مدل‌های پیش‌بینی باید بر اساس توانایی آن‌ها در بهبود تصمیم‌گیری سنجیده شود، نه صرفاً نوآوری آماری.

این بحث درسی گسترده‌تر برای کل حوزه پیش‌بینی بالینی دارد. شواهد موجود نشان می‌دهد که یادگیری ماشین در مطالعات پیش‌بینی بالینی به‌طور مداوم از رگرسیون لجستیک عملکرد بهتری ندارد. یک مرور نظام‌مند شناخته‌شده نیز هیچ مزیت عملکردی برای یادگیری ماشین نسبت به رگرسیون لجستیک در مدل‌های پیش‌بینی بالینی پیدا نکرده است. بنابراین، بهتر است رگرسیون و یادگیری ماشین نه روش‌هایی رقیب، بلکه ابزارهایی مکمل در نظر گرفته شوند. رگرسیون لجستیک به دلیل سادگی و تفسیرپذیری همچنان ارزشمند است، درحالی‌که استفاده از مدل‌های یادگیری ماشین زمانی توجیه دارد که پیچیدگی بیشتر آن‌ها به بهبود روشن عملکرد پیش‌بینی منجر شود. نویسندگان همچنین هشدار می‌دهند که نباید مدل‌سازی پیش‌بینی را با استنباط علّی اشتباه گرفت. متغیرهایی که الگوریتم‌های یادگیری ماشین آن‌ها را تأثیرگذار تشخیص می‌دهند، لزوماً عوامل علّی بروز عوارض پس از عمل نیستند؛ ازاین‌رو، تفسیر بالینی همچنان ضروری است.

شاید مهم‌ترین پیام مقاله این باشد که تحلیل‌های یادگیری ماشین با نتایج غیرقطعی باید بیشتر مورد توجه قرار گیرند. سوگیری انتشار باعث می‌شود الگوریتم‌های موفق بیشتر منتشر شوند، درحالی‌که پژوهش‌هایی با عملکرد متوسط اغلب نادیده گرفته می‌شوند. بااین‌حال، این مطالعات نیز می‌توانند از نظر روش‌شناختی به همان اندازه ارزشمند باشند، زیرا مرزهای فعلی توانایی پیش‌بینی را مشخص می‌کنند. نتیجه‌گیری نویسندگان از تجربه بررسی EVEREG این نیست که یادگیری ماشین شکست خورده است؛ بلکه این است که اطلاعات موجود در این پایگاه برای پیش‌بینی قابل‌اعتماد عوارض نادر کافی نبود. این نتیجه نباید مانع استفاده از یادگیری ماشین شود، بلکه باید به پژوهشگران کمک کند مطالعات بهتری طراحی کنند و تشخیص دهند که در چه شرایطی پیش‌بینی واقع‌بینانه است. عملکرد پیش‌بینی محدود یک مدل لزوماً به معنای شکست پژوهش نیست؛ ممکن است صرفاً نشان دهد که داده‌های در دسترس هنوز برای پیش‌بینی قابل‌اعتماد کفایت نمی‌کنند.

نویسندگان برای آینده خواستار نسل تازه‌ای از پایگاه‌های داده جراحی دیواره شکم هستند که در آن‌ها، علاوه بر افزایش تعداد بیماران، اطلاعات بالینی کامل‌تر و مرتبط‌تری ثبت شود، تعاریف پیامدها یکسان باشند، پیگیری بیماران بهبود یابد و همکاری میان مراکز گسترش پیدا کند. احتمالاً این اقدامات بیش از جایگزین کردن یک الگوریتم با الگوریتمی دیگر به بهبود عملکرد پیش‌بینی کمک خواهند کرد. چارچوب‌های گزارش‌دهی و ارزیابی کیفیت، مانند TRIPOD+AI و PROBAST+AI، نیز مبنایی روش‌شناختی مناسب برای این تحول فراهم می‌کنند و استانداردهایی برای گزارش و ارزیابی مدل‌های پیش‌بینی مبتنی بر رگرسیون یا روش‌های هوش مصنوعی تعیین می‌کنند. از دیدگاه نویسندگان، یادگیری ماشین فقط نشان نمی‌دهد که الگوریتم‌ها چه چیزهایی می‌توانند بیاموزند؛ بلکه آشکار می‌کند که پایگاه‌های داده فعلی چه چیزهایی را قادر نیستند به آن‌ها آموزش دهند و محدودیت‌های داده‌های خودمان را نیز به ما می‌شناساند. بنابراین، نتایج خنثی یادگیری ماشین نباید پژوهش‌های شکست‌خورده تلقی شوند. این نتایج همچون آینه‌ای در برابر داده‌ها قرار می‌گیرند و به جراحان نشان می‌دهند مرز میان توانایی پیش‌بینی در زمان حاضر و ظرفیت‌هایی که پایگاه‌های داده بهتر ممکن است در آینده فراهم کنند، کجاست.

موضوع پژوهش: پیش‌بینی پیامدهای نادر پس از عمل با یادگیری ماشین در پایگاه‌های داده جراحی دیواره شکم

عنوان مقاله پژوهشی: پایگاه‌های داده بزرگ، پیامدهای نادر و نتایج خنثی یا غیرقطعی یادگیری ماشین در جراحی دیواره شکم

مشخصات منبع علمی: Verdaguer-Tremolosa, M., Mojal, S., Rodrigues-Gonçalves, V., Martínez-López, M. P., & López-Cano, M. (2026). Large registries, rare outcomes and neutral/inconclusive machine learning results in abdominal wall surgery. Journal of Abdominal Wall Surgery, 5, مقاله 17526. https://doi.org/10.3389/jaws.2026.17526

اعتبار تصویر: تولیدشده با هوش مصنوعی

شناسه دیجیتال مقاله (DOI): 10.3389/jaws.2026.17526

کلیدواژه‌ها: یادگیری ماشین، هوش مصنوعی، جراحی دیواره شکم، ترمیم فتق، پایگاه‌های داده جراحی، پیامدهای نادر، مدل‌های پیش‌بینی، عدم توازن طبقات، SMOTE، رگرسیون لجستیک، TRIPOD+AI، کالیبراسیون

منبع خبر: بلیک دیویدسون، ۱۶ اکتبر ۲۰۲۶، «چرا بزرگ‌تر شدن پایگاه‌های داده جراحی، لزوماً به پیش‌بینی‌های هوشمندانه‌تر با یادگیری ماشین منجر نمی‌شود»، Scienmag.