مدل‌های یادگیری ماشین مشخص می‌کنند کدام نوزادان نارس به درمان رتینوپاتی نوزادان نارس نیاز خواهند داشت

در بخش‌های مراقبت ویژه نوزادان در سراسر جهان، یکی از نگران‌کننده‌ترین عوارض تولد زودرس، بیماری چشمی‌ای است که بسیاری از والدین حتی نام آن را نشنیده‌اند. رتینوپاتی نوزادان نارس یا ROP اختلالی است که در آن رگ‌های خونی شبکیه نوزادانی که زودتر از موعد متولد می‌شوند، به‌درستی رشد نمی‌کنند و ممکن است به‌صورت غیرطبیعی تکثیر شوند. در شدیدترین موارد، این وضعیت می‌تواند باعث جدا شدن شبکیه از دیواره پشتی چشم شود. این بیماری همچنان یکی از علل اصلی نابینایی قابل پیشگیری در کودکان است و موفقیت درمان آن به شناسایی بیماری در زمان مناسب بستگی دارد. اکنون، نتایج یک مطالعه گسترده در شرایط واقعی درمانی در شرق هند نشان می‌دهد که مدل‌های یادگیری ماشین، با آموزش بر اساس اطلاعات معمول پرونده‌های بالینی، می‌توانند نوزادانی را که بیشترین احتمال ابتلا به این بیماری را دارند و نیز نوزادانی را که در نهایت به درمان نیاز پیدا می‌کنند، شناسایی کنند. چنین ابزاری می‌تواند به اولویت‌بندی معاینات در مناطقی کمک کند که دسترسی به متخصصان معاینه شبکیه محدود است.

این پژوهش که در مجله Pediatric Research منتشر شده، به سرپرستی تاپاس آر. پادهی از مؤسسه چشم‌پزشکی ال. وی. پراساد در بوبانشوار و با همکاری پژوهشگرانی از شرکت CognitiveCare و دانشکده پزشکی دانشگاه تافتس انجام شد. هدف محققان پاسخ دادن به پرسشی در ظاهر ساده بود: آیا می‌توان تنها با استفاده از اطلاعاتی که بیمارستان‌ها از قبل درباره نوزادان ثبت می‌کنند، بدون نیاز به تصاویر شبکیه، پیش‌بینی کرد کدام نوزاد به رتینوپاتی نوزادان نارس مبتلا خواهد شد؟ برای بررسی این موضوع، تیم پژوهش مجموعه‌ای بزرگ از داده‌های بالینیِ بی‌نام‌ونشان تهیه کرد که برای چنین محیطی گستردگی چشمگیری داشت: ۲۳٬۴۰۴ پرونده پزشکی مربوط به ۹٬۲۰۵ نوزاد که از ۲۵ واحد مراقبت از نوزادان در ایالت اودیشای هند استخراج، بررسی و سامان‌دهی شده بودند. پژوهشگران به‌جای تکیه بر پایگاه‌های داده پژوهشیِ از پیش پاک‌سازی‌شده، با واقعیت پیچیده پرونده‌های معمول بالینی، از جمله اطلاعات ناقص و نامنظم، کار کردند؛ زیرا سامانه‌های پیش‌بینی در محیط واقعی نیز ناگزیر باید با همین نوع داده‌ها سروکار داشته باشند.

هسته فنی این پژوهش، چارچوبی دومرحله‌ای و متوالی برای مدل‌سازی است؛ انتخاب این ساختار به‌اندازه نتایج عددی اهمیت دارد. در مرحله نخست، پژوهشگران مدل‌هایی آموزش دادند تا با استفاده از اطلاعات جمعیت‌شناختی، عوامل مربوط به دوران بارداری و زایمان، نتایج آزمایشگاهی و متغیرهای مراقبت ویژه نوزادان، احتمال ابتلای نوزاد به هر نوع رتینوپاتی نوزادان نارس را پیش‌بینی کنند. این اطلاعات از زمان تولد در دسترس هستند. در مرحله دوم، برای نوزادانی که پیش‌تر معاینات تخصصی چشم‌پزشکی را پشت سر گذاشته بودند، یافته‌های ساختاریافته این معاینات نیز وارد مدل شد. این یافته‌ها شامل مرحله بیماری، ناحیه درگیر شبکیه، وضعیت بیماری با علائم مثبت یا پیش‌مثبت و شاخص‌های مرتبط با شدت بیماری بود. هدف این مرحله شناسایی نوزادانی بود که به درمان نیاز پیدا می‌کردند. نکته مهم آن است که مدل‌ها از متغیرهای بالینی ساختاریافته استفاده می‌کردند، نه از تصاویر خام شبکیه؛ بنابراین، این رویکرد با سامانه‌های یادگیری عمیق برای تحلیل تصاویر که بخش عمده پژوهش‌های هوش مصنوعی در غربالگری این بیماری را تشکیل داده‌اند، تفاوت دارد.

تیم پژوهش برای هر یک از دو مرحله، هشت الگوریتم متفاوت یادگیری ماشین را آموزش داد و آزمایش کرد تا توانایی آن‌ها در تفکیک نوزادانی که به بیماری مبتلا می‌شوند از نوزادانی که مبتلا نمی‌شوند، مقایسه شود. در مرحله نخست، الگوریتم جنگل تصادفی (Random Forest) بهترین عملکرد را داشت. این روش از مجموعه‌ای از درخت‌های تصمیم استفاده می‌کند که بر اساس زیرمجموعه‌های تصادفی داده‌ها ساخته می‌شوند و سپس نتایج آن‌ها با یکدیگر ترکیب می‌شود. این الگوریتم به دلیل عملکرد قابل اتکا در تحلیل داده‌های بالینی جدولی و شناسایی روابط غیرخطی میان متغیرها شناخته شده است. در مرحله دوم، مدل برتر LightGBM بود؛ چارچوبی مبتنی بر تقویت گرادیانی که در آن درخت‌ها به‌صورت متوالی ساخته می‌شوند و هر درخت جدید خطاهای درخت‌های قبلی را اصلاح می‌کند. LightGBM به‌دلیل سرعت و دقت خود در کار با مجموعه‌داده‌های ساختاریافته و بزرگ مورد توجه است. برتری دو الگوریتم متفاوت در این دو مرحله، بازتاب تفاوت ماهیت مسائل پیش‌بینی است: مرحله نخست به ارزیابی خطر در سطح کل جمعیت می‌پردازد، در حالی که مرحله دوم با اتکا به یافته‌های معاینات تخصصی، شدت بیماری و نیاز به درمان را دقیق‌تر بررسی می‌کند.

بااین‌حال، مهم‌ترین آزمون صرفاً بررسی عملکرد مدل‌ها روی داده‌هایی نبود که پیش‌تر دیده بودند. پژوهشگران چارچوب دومرحله‌ای را به‌صورت آینده‌نگر روی یک گروه اعتبارسنجی جداگانه از همان جمعیت ارزیابی کردند؛ روشی که تصویر واقع‌بینانه‌تری از عملکرد سامانه در دنیای واقعی نسبت به تقسیم گذشته‌نگر داده‌ها ارائه می‌دهد. این چارچوب در گروه آینده‌نگر به حساسیت ۸۴٫۹ درصدی در شناسایی رتینوپاتی نیازمند درمان دست یافت و از مجموع ۵۱۵ نوزادی که در نهایت به درمان نیاز داشتند، ۴۳۷ نوزاد را به‌درستی شناسایی کرد. با وجود امیدوارکننده بودن این نتیجه، نکته نگران‌کننده‌ای نیز وجود دارد: مدل نتوانست ۷۸ نوزاد نیازمند درمان را شناسایی کند. نویسندگان صریحاً تأکید می‌کنند که این سطح از عملکرد، استفاده از چارچوب را به‌عنوان ابزاری کمکی برای اولویت‌بندی معاینات توجیه می‌کند، نه جایگزینی برای معاینه تخصصی.

این احتیاط در سراسر مقاله دیده می‌شود و باید جدی گرفته شود. نویسندگان می‌گویند تا زمانی که آستانه‌های تصمیم‌گیری بهینه‌سازی نشده، مدل کالیبره نشده و اعتبار آن در محیط‌های بیرونی بررسی و اجرای عملی آن آزمایش نشده است، نباید از خروجی‌های مدل برای به‌تعویق انداختن معاینات چشم‌پزشکیِ ضروری استفاده کرد. به بیان دیگر، حتی مدلی که حدود ۸۵ درصد موارد نیازمند درمان را شناسایی می‌کند، همچنان بخشی خطرناک از موارد را از دست می‌دهد. در بیماری‌ای که درمان به‌موقع با لیزر یا داروهای ضد فاکتور رشد اندوتلیال عروقی (ضد VEGF) می‌تواند تفاوت میان حفظ بینایی و نابینایی مادام‌العمر را رقم بزند، نمی‌توان از دست رفتن حدود یک مورد از هر شش یا هفت مورد شدید را در یک راهبرد غربالگری مستقل پذیرفت. به گفته پژوهشگران، این چارچوب می‌تواند به شبکه‌های درمانی دارای منابع محدود کمک کند تا مشخص کنند کدام نوزادان باید زودتر معاینه شوند و ارجاع‌ها را بر اساس اولویت سامان دهند، درحالی‌که غربالگری معمول مطابق دستورالعمل‌ها برای همه نوزادان همچنان برقرار می‌ماند.

شرایطی که این ابزار در آن توسعه یافته، اهمیت چنین اولویت‌بندی‌ای را روشن می‌کند. رتینوپاتی نوزادان نارس اساساً حاصل تعامل میان تولد زودرس و مراقبت‌های نوین نوزادی است و عواملی مانند سن بارداری کمتر هنگام تولد، وزن کم هنگام تولد، میزان مواجهه با اکسیژن و الگوی رشد پس از تولد در بروز آن نقش دارند. مدل‌های پیشین ارزیابی خطر، از جمله الگوریتم WINROP و مدل‌های CHOP و G-ROP که بر افزایش وزن پس از تولد، وزن هنگام تولد و سن بارداری تکیه دارند، نشان داده‌اند که داده‌های بالینی طولی می‌توانند بیماری شدید را پیش‌بینی کنند. نسخه‌هایی از این ابزارها نیز در جمعیت‌هایی از سوئد، مکزیک، چین، تایوان و اسکاتلند اعتبارسنجی شده‌اند. پژوهش‌های جدیدتر، از جمله ابزارهای پشتیبان تصمیم‌گیری DIGIROP و روش‌های یادگیری ماشین بدون تصویربرداری که در مطالعات چندمرکزی آزمایش شده‌اند، این حوزه را به‌سوی مدل‌هایی سوق داده‌اند که مدت دریافت تغذیه، داده‌های فیزیولوژیک و طیف گسترده‌تری از متغیرهای بالینی را با یکدیگر ترکیب می‌کنند. مطالعه اودیشا این مسیر پژوهشی را به یک نظام بهداشت عمومی بزرگ و برخوردار از منابع محدود گسترش می‌دهد؛ جایی که مشکل اغلب کمبود دانش درباره عوامل خطر نیست، بلکه شمار اندک چشم‌پزشکانی است که برای معاینه شبکیه نوزادان نارس آموزش دیده‌اند.

هند سهم قابل‌توجهی از بار جهانی رتینوپاتی نوزادان نارس را به خود اختصاص داده است و برنامه‌های غربالگری این کشور راهکارهای خلاقانه‌ای را توسعه داده‌اند؛ از جمله تصویربرداری میدان‌گسترده مبتنی بر پزشکی از راه دور، همراه با ارزیابی تصاویر به‌وسیله افراد غیرپزشک، در قالب الگویی مانند KIDROP. دستورالعمل‌های ملی برای غربالگری این بیماری تدوین شده‌اند، اما میزان اجرای آن‌ها در مناطق مختلف کشور تفاوت زیادی دارد. هم‌زمان، موج سوم رتینوپاتی نوزادان نارس که با گسترش مراقبت‌های نوزادی در کشورهای با درآمد متوسط مرتبط است، همچنان رو به افزایش است. در چنین شرایطی، مدلی مبتنی بر داده‌های ساختاریافته که با اطلاعات موجود در پرونده‌های بیمارستانی کار می‌کند و به دوربین‌های تصویربرداری شبکیه یا زیرساخت تحلیل تصاویر نیاز ندارد، از نظر کاربرد عملی مزیتی متفاوت نسبت به سامانه‌های هوش مصنوعی مبتنی بر تصویر دارد. این مدل را می‌توان در محل مراقبت از نوزاد یا در یک مرکز پردازش متمرکز اجرا کرد و با انباشته شدن نتایج آزمایشگاهی، روند تغییرات وزن و اطلاعات مراقبت ویژه طی هفته‌های نخست زندگی، وضعیت خطر نوزاد را به‌طور مستمر به‌روزرسانی کرد.

این مطالعه همچنین نشان می‌دهد که جنبه‌های کمتر چشمگیر مهندسی داده تا چه اندازه در انتقال یادگیری ماشین بالینی از محیط آزمایشگاهی به کاربرد عملی اهمیت دارند. آماده‌سازی مجموعه‌داده مستلزم استخراج گسترده اطلاعات، سامان‌دهی و پردازش آن‌ها بود. این فرایند شامل مدیریت داده‌های مفقود نیز می‌شد؛ مشکلی رایج در پرونده‌های واقعی نوزادان که پژوهشگران برای حل آن از روش‌های نوین برآورد مقادیر گمشده استفاده کردند. تیم پژوهش، تفسیر تصاویر فوندوس توسط متخصصان را که مبنای تشخیص بالینی و تعیین مرحله رتینوپاتی بود، مورد ممیزی قرار داد؛ هرچند خود فایل‌های تصویری به‌عنوان ورودی مدل‌ها استفاده نشدند. هیئت اخلاق پژوهشی مؤسسه چشم‌پزشکی ال. وی. پراساد این مطالعه را تأیید کرد و به‌دلیل گذشته‌نگر بودن پژوهش و ناشناس‌سازی کامل داده‌ها، اخذ رضایت آگاهانه فردی الزامی شناخته نشد. همچنین باید به یک نکته درباره منافع تجاری اشاره کرد: شرکت CognitiveCare حق اختراعی در زمینه پلتفرم‌های هوش مصنوعی برای پیش‌بینی پیامدهای نامطلوب مرتبط با بارداری دارد که رتینوپاتی نوزادان نارس را نیز در میان ۴۸ بیماری تحت پوشش خود شامل می‌شود. بنابراین، این پژوهش در کنار انگیزه‌های بهداشت عمومی، بُعد تجاری نیز دارد.

اینکه چارچوب پیشنهادی در نهایت بتواند به حفظ بینایی نوزادان کمک کند یا نه، به مراحل بعدی پژوهش بستگی دارد. نویسندگان مسیر پیش رو را مشخص کرده‌اند: تنظیم آستانه‌های تصمیم‌گیری برای افزایش حساسیت مدل، کالیبراسیون به‌گونه‌ای که احتمال‌های پیش‌بینی‌شده با خطر واقعی سازگار باشند، اعتبارسنجی در جمعیت‌هایی خارج از اودیشا و انجام مطالعات دقیق برای بررسی اینکه امتیازهای خطر چگونه بر تصمیم‌های ارجاع در واحدهای شلوغ مراقبت نوزادان اثر می‌گذارند. اگر این مراحل با موفقیت انجام شوند، می‌توان سامانه‌ای چندمرحله‌ای ایجاد کرد که در آن همه نوزادان نارس همچنان غربالگری مطابق دستورالعمل‌ها را دریافت کنند، اما مدل به‌طور مداوم ترتیب معاینات را تنظیم کند تا نوزادان پرخطر پیش از رسیدن بیماری به مرحله‌ای جبران‌ناپذیر به چشم‌پزشک دسترسی پیدا کنند. هر سال ده‌ها هزار کودک در جهان بر اثر رتینوپاتی نوزادان نارس نابینا می‌شوند و متخصصانی که می‌توانند از این پیامد جلوگیری کنند، به‌طور نامتوازن در تعداد محدودی از شهرها متمرکز شده‌اند. در چنین شرایطی، یک سامانه هشدار زودهنگام که به‌خوبی کالیبره شده باشد و از داده‌هایی استفاده کند که بیمارستان‌ها هم‌اکنون در اختیار دارند، می‌تواند به یکی از کاربردهای مهم یادگیری ماشین در حوزه سلامت کودکان در سطح جهان تبدیل شود.

موضوع پژوهش: پیش‌بینی رتینوپاتی نوزادان نارس نیازمند درمان با استفاده از یادگیری ماشین و داده‌های بالینی ساختاریافته در نوزادان نارس

عنوان مقاله: پیش‌بینی رتینوپاتی نوزادان نارس با استفاده از مدل‌های یادگیری ماشین

مشخصات منبع پژوهشی: Padhi, T. R., Nelaturi, N., Teltumbade, M., Ganti, J., Peri, V. N., Rani, S. P., Vishnoi, G., Gill, S., Sutar, S. K., Bhunia, S., Misra, R., & Norwitz, E. R. (2026). Prediction of retinopathy of prematurity using machine learning models. Pediatric Research. https://doi.org/10.1038/s41390-026-05413-6

شناسه دیجیتال مقاله (DOI): 10.1038/s41390-026-05413-6

منبع خبر: ترزا اودوم، ۱۶ اکتبر ۲۰۲۶، «مدل‌های یادگیری ماشین مشخص می‌کنند کدام نوزادان نارس به درمان رتینوپاتی نیاز خواهند داشت»، Scienmag.