پیش‌بینی خطر لخته‌شدن خون مرتبط با کاتتر در بیماران سالمند مبتلا به سرطان با استفاده از یادگیری ماشین

کاتترهای مرکزی تعبیه‌شده از راه ورید محیطی که با نام اختصاری PICC شناخته می‌شوند، به یکی از ابزارهای اصلی درمان مدرن سرطان تبدیل شده‌اند. این کاتترها از طریق یکی از وریدهای بازو وارد بدن می‌شوند و تا نزدیکی قلب پیش می‌روند. به کمک آن‌ها می‌توان داروهای شیمی‌درمانی، آنتی‌بیوتیک‌ها، مواد غذایی و فرآورده‌های خونی را طی چند هفته یا چند ماه تجویز کرد، بی‌آنکه لازم باشد وریدهای محیطی حساس بیمار بارها سوراخ شوند. بااین‌حال، این وسیله خطر شناخته‌شده‌ای نیز دارد: حضور جسم خارجی در جریان خون می‌تواند تشکیل لخته را تحریک کند. اگر لخته در اطراف خود کاتتر شکل بگیرد، عارضه‌ای به نام ترومبوز مرتبط با PICC ایجاد می‌شود که ممکن است درمان را به تأخیر بیندازد، به خارج کردن کاتتر منجر شود و در موارد شدید، آمبولی ریه ایجاد کند. پژوهش تازه‌ای که در مجله BMC Geriatrics منتشر شده است، می‌کوشد با استفاده از یادگیری ماشین به پرسشی ظاهراً ساده پاسخ دهد: کدام بیماران سالمند مبتلا به سرطان، پیش از بروز عارضه، بیش از دیگران در معرض تشکیل لخته قرار دارند؟ این پژوهش را هوئی‌پینگ ژانگ، شیائومین ژائو و همکارانشان در دانشگاه پزشکی و داروسازی شاندونگ و بیمارستان و مؤسسه سرطان شاندونگ انجام داده‌اند.

تیم پژوهشی بر گروهی تمرکز کرد که به‌ویژه در برابر این عارضه آسیب‌پذیرند. در این مطالعه، سالمندان به بیمارانی گفته می‌شود که ۶۵ سال یا بیشتر دارند. تغییرات فیزیولوژیک ناشی از افزایش سن می‌تواند تعادل هموستاز را به سمت تشکیل لخته سوق دهد؛ از جمله افزایش واکنش‌پذیری پلاکت‌ها، بالا رفتن سطح عوامل انعقادی و کاهش توانایی بدن در تجزیه لخته‌ها یا فیبرینولیز. سرطان نیز به‌خودی‌خود وضعیتی مستعدکننده ترومبوز است و عواملی مانند شیمی‌درمانی می‌توانند این خطر را بیشتر کنند. این مطالعه گذشته‌نگر، اطلاعات ۵۳۲ بیمار سالمند مبتلا به سرطان را که برای آن‌ها کاتتر PICC تعبیه شده بود، بررسی کرد. از این میان، ۱۳۲ نفر، معادل ۲۴٫۸ درصد، دچار ترومبوز مرتبط با کاتتر شدند. این میزان، یعنی تقریباً یک نفر از هر چهار بیمار، نشان می‌دهد که پزشکان به ابزارهایی برای ارزیابی خطر پیش از تعبیه کاتتر یا اندکی پس از آن نیاز دارند.

برای ساخت مدل پیش‌بینی، پژوهشگران ابتدا باید مشخص می‌کردند کدام‌یک از متغیرهای ثبت‌شده در سامانه اطلاعات بیمارستانی واقعاً در پیش‌بینی عارضه نقش دارند. آن‌ها از روش رگرسیون لاسو (LASSO)، مخفف «عملگر انتخاب و جمع‌کردن کمترین قدرمطلق»، استفاده کردند. این روش آماری ضرایب متغیرها را به سمت صفر کاهش می‌دهد و عملاً متغیرهایی را که سهم اندکی در پیش‌بینی دارند، حذف می‌کند. این رویکرد به‌ویژه در مجموعه‌داده‌های پزشکی مفید است؛ زیرا تعداد متغیرهای پیش‌بینی‌کننده احتمالی ممکن است در مقایسه با تعداد رویدادهای ثبت‌شده زیاد باشد. نسبت رویدادها به متغیرها یکی از معیارهای مورد توجه در پژوهش‌های آماری پزشکی است. پس از اجرای روش لاسو، هفت متغیر برای مدل باقی ماندند: دریافت شیمی‌درمانی، فیبرینوژن، دی‌دایمر، زمان ترومبین، آلبومین، شمارش گلبول‌های سفید و شمارش پلاکت‌ها. این مجموعه تصویری از سازوکارهای زیستی دخیل در عارضه ارائه می‌دهد و مواجهه با درمان، شاخص‌های انعقادی، التهاب و وضعیت تغذیه را در کنار هم قرار می‌دهد.

پس از تعیین این هفت متغیر، پژوهشگران هشت الگوریتم مختلف یادگیری ماشین را آموزش دادند و عملکرد آن‌ها را با یکدیگر مقایسه کردند. این الگوریتم‌ها شامل رگرسیون لجستیک، XGBoost، ماشین بردار پشتیبان، جنگل تصادفی (Random Forest)، شبکه عصبی، LightGBM، نزدیک‌ترین همسایه‌ها (K-nearest neighbours) و AdaBoost بودند. هر الگوریتم به شیوه‌ای متفاوت از داده‌ها الگو می‌آموزد. رگرسیون لجستیک مرزی خطی برای تصمیم‌گیری برازش می‌کند و ضرایبی ارائه می‌دهد که تفسیر آن‌ها نسبتاً مستقیم است. روش‌های تجمیعی مبتنی بر درخت، مانند جنگل تصادفی، XGBoost و LightGBM، مجموعه‌ای از درخت‌های تصمیم می‌سازند تا روابط غیرخطی میان متغیرها را شناسایی کنند. ماشین بردار پشتیبان در فضای ویژگی‌های چندبعدی، ابرصفحه‌هایی برای تفکیک داده‌ها ایجاد می‌کند. الگوریتم نزدیک‌ترین همسایه‌ها، بیماران را بر اساس شباهت به نمونه‌های موجود در داده‌های آموزشی طبقه‌بندی می‌کند و شبکه‌های عصبی نیز بازنمایی‌های چندلایه‌ای از ویژگی‌های ورودی می‌آموزند. پژوهشگران عملکرد هر مدل را با استفاده از سطح زیر منحنی مشخصه عملکرد گیرنده (AUC)، به‌همراه دقت، حساسیت، ویژگی و امتیاز F1 ارزیابی کردند.

نتایج مرحله بعدی هشداری برای کسانی بود که روند گسترش یادگیری ماشین در پزشکی را دنبال می‌کنند. چند مدل پیچیده در مجموعه داده‌های آموزشی توانستند قدرت تفکیک بالایی نشان دهند؛ نتیجه‌ای که حاکی از یادگیری مناسب الگوهای همان داده‌ها بود. اما هنگام ارزیابی با داده‌هایی که مدل‌ها پیش‌تر ندیده بودند، عملکرد برخی از آن‌ها به میزان قابل‌توجهی افت کرد؛ نشانه‌ای کلاسیک از بیش‌برازش. بیش‌برازش زمانی رخ می‌دهد که الگوریتمی انعطاف‌پذیر به‌جای یادگیری الگوهای قابل تعمیم، ویژگی‌های تصادفی و مختص نمونه‌های آموزشی را حفظ کند. این مشکل به‌ویژه در مجموعه‌داده‌های بالینی با حجم محدود خطرساز است. گروه ۵۳۲ نفری این پژوهش، با ۱۳۲ مورد ترومبوز، نمونه‌ای قابل‌قبول اما نه چندان بزرگ بود؛ بنابراین مدل‌های پیچیده با پارامترهای متعدد ممکن بود از ظرفیت اطلاعات موجود در داده‌ها فراتر بروند.

در نهایت، ساده‌ترین و قدیمی‌ترین الگوریتم این فهرست بهترین نتیجه را به دست آورد. رگرسیون لجستیک در مجموعه داده‌های آزمایشی عملکرد کلی بهتری نسبت به سایر مدل‌ها داشت و مقدار AUC آن به ۰٫۷۲۴ رسید؛ فاصله اطمینان ۹۵ درصدی این شاخص نیز بین ۰٫۶۲۰ تا ۰٫۸۲۸ بود. مقدار AUC برابر با ۰٫۷۲۴ یعنی اگر مدل یک بیمار مبتلا به ترومبوز و یک بیمار بدون این عارضه را بررسی کند، در حدود ۷۲ درصد موارد به بیمار مبتلا امتیاز خطر بالاتری می‌دهد. این سطح از قدرت تفکیک متوسط است و برای غربالگری می‌تواند مفید باشد، اما به‌تنهایی نتیجه قطعی ارائه نمی‌کند. این مدل همچنین با امتیاز بریر ۰٫۱۴۹، کمترین مقدار را در میان مدل‌های بررسی‌شده داشت. امتیاز بریر میانگین مربع اختلاف میان احتمال پیش‌بینی‌شده و نتیجه واقعی را اندازه می‌گیرد و مقادیر کمتر آن نشان‌دهنده عملکرد کلی بهتر در پیش‌بینی و کالیبراسیون است. منحنی‌های کالیبراسیون تأیید کردند که خطرهای پیش‌بینی‌شده با میزان وقوع مشاهده‌شده عارضه همخوانی دارند. تحلیل منحنی تصمیم نیز نشان داد که مدل در دامنه‌ای از آستانه‌های خطر مرتبط با تصمیم‌گیری بالینی، منفعت خالص بالینی ایجاد می‌کند.

پژوهشگران برای روشن کردن سازوکار تصمیم‌گیری مدل از روش SHAP، مخفف «توضیحات افزایشی شاپلی»، استفاده کردند؛ روشی برای تفسیرپذیر کردن یادگیری ماشین که از نظریه بازی‌های مشارکتی الهام گرفته است. SHAP برای هر پیش‌بینی، سهم هر متغیر را محاسبه می‌کند. این کار بر اساس سنجش تغییر خروجی مدل در صورت حضور یا حذف آن متغیر و میانگین‌گیری از این تغییرات در ترتیب‌های ممکن ویژگی‌ها انجام می‌شود. تحلیل نشان داد که فیبرینوژن، زمان ترومبین، شیمی‌درمانی و شمارش گلبول‌های سفید بیشترین سهم را در پیش‌بینی خطر ترومبوز دارند. فیبرینوژن پروتئینی کلیدی در انعقاد خون است که چارچوب تشکیل لخته را فراهم می‌کند. افزایش سطح آن می‌تواند هم بازتاب التهاب مرتبط با سرطان باشد و هم نشان‌دهنده وضعیتی با تمایل بیشتر به انعقاد خون. زمان ترومبین سرعت تبدیل فیبرینوژن به فیبرین را اندازه می‌گیرد؛ فرایندی که مرحله نهایی آبشار انعقادی به شمار می‌رود. شیمی‌درمانی می‌تواند به لایه داخلی رگ‌ها، یا اندوتلیوم عروقی، آسیب برساند و سامانه انعقاد را فعال کند. افزایش شمار گلبول‌های سفید نیز نشانه‌ای از التهاب است که می‌تواند تشکیل لخته را بیش از پیش تقویت کند.

پیامدهای بالینی این مطالعه، با وجود پیچیدگی روش‌های آماری آن، روشن است. مدلی که با استفاده از هفت شاخص آزمایشگاهی متداول و یک متغیر مربوط به درمان محاسبه می‌شود، می‌تواند در سامانه‌های اطلاعات بیمارستانی ادغام شود تا هنگام تعبیه کاتتر PICC یا در پیگیری‌های معمول، بیماران پرخطر را شناسایی کند. پزشکان در این صورت می‌توانند مدیریت کاتتر را متناسب با شرایط هر بیمار تنظیم کنند؛ برای مثال، برای بیماران دارای بالاترین خطر از روش‌های جایگزین دسترسی عروقی استفاده کنند، بیماران با خطر متوسط را با فواصل زمانی کوتاه‌تری تحت پایش قرار دهند یا در مواردی که دستورالعمل‌های بالینی اجازه می‌دهند، تجویز داروهای ضدانعقاد پیشگیرانه را مدنظر قرار دهند. نویسندگان معتقدند این مدل می‌تواند به ارزیابی زودهنگام خطر و مدیریت فردمحور کاتتر در سالمندانی که کاتتر PICC برای آن‌ها تعبیه می‌شود کمک کند. توضیحات مبتنی بر SHAP نیز به پزشکان امکان می‌دهد درک کنند چرا مدل درباره یک بیمار مشخص به نتیجه‌ای خاص رسیده است؛ امری که برای جلب اعتماد به توصیه‌های الگوریتمی اهمیت اساسی دارد.

این مطالعه، مانند دیگر پژوهش‌های گذشته‌نگر تک‌مرکزی، محدودیت‌هایی دارد. مدل در یک مرکز درمانی توسعه یافته و آزمایش شده است؛ بنابراین، پیش از استفاده گسترده، باید قابلیت تعمیم آن به بیمارستان‌ها، جمعیت‌های بیمار و پروتکل‌های متفاوت تعبیه کاتتر از طریق اعتبارسنجی خارجی بررسی شود. مقدار AUC برابر با ۰٫۷۲۴، هرچند از نظر بالینی می‌تواند مفید باشد، هنوز جای پیشرفت دارد. همچنین، حجم نسبتاً محدود نمونه‌ها، پیچیدگی مدل‌هایی را که داده‌ها قادر به پشتیبانی از آن‌ها بودند محدود کرد؛ موضوعی که بیش‌برازش مدل‌های پیچیده‌تر نیز آن را آشکار ساخت. بااین‌حال، این پژوهش درس مهمی برای حوزه یادگیری ماشین در پزشکی دارد: پیچیده‌ترین الگوریتم لزوماً بهترین انتخاب برای پیش‌بینی بالینی نیست. مدلی که بر متغیرهای معنادار از نظر زیستی بنا شده و از کالیبراسیون مناسب و قابلیت تفسیر برخوردار است، ممکن است از رقبای پرزرق‌وبرق‌تر خود عملکرد بهتری داشته باشد. با گسترش استفاده از یادگیری ماشین در پزشکی، چنین مطالعاتی یادآوری می‌کنند که هدف اصلی، نمایش پیچیدگی الگوریتم‌ها نیست، بلکه ارائه پیش‌بینی‌هایی قابل اعتماد، توضیح‌پذیر و کاربردی است که به پزشکان در حفاظت از بیماران کمک کند.

موضوع پژوهش: سلامت

عنوان مقاله: توسعه مدل پیش‌بینی مبتنی بر یادگیری ماشین برای ترومبوز مرتبط با کاتتر مرکزی تعبیه‌شده از راه ورید محیطی (PICC) در بیماران سالمند مبتلا به سرطان

منبع مقاله علمی: Zhang, H., Hu, X., Chen, X., Xu, J., & Zhao, X. (2026). Development of a machine learning–based prediction model for peripherally inserted central catheter (PICC)-related thrombosis in older adult cancer patients. BMC Geriatrics. https://doi.org/10.1186/s12877-026-08458-8

اعتبار تصویر: تولیدشده با هوش مصنوعی

شناسه DOI: 10.1186/s12877-026-08458-8

کلیدواژه‌ها: یادگیری ماشین، PICC، ترومبوز، سرطان، سالمندی، مدل پیش‌بینی، رگرسیون لجستیک، SHAP، توسعه مدل مبتنی بر یادگیری ماشین

منبع خبر: ناتانیل بومن، ۱۸ اکتبر ۲۰۲۶، «مدل یادگیری ماشین خطر ترومبوز کاتتر را در سالمندان مبتلا به سرطان پیش‌بینی می‌کند»، Scienmag.