NAFLD रुग्णांमध्ये मधुमेहाचा धोका भाकीत करणारा एआय मॉडेल 0.89 AUC साधतो

अलीकडील एका अभ्यासात असे दर्शविले गेले आहे की एक कृत्रिम बुद्धिमत्ता (एआय) मॉडेल गैर-अल्कोहोलिक वसा यकृत रोग (NAFLD) असलेल्या रुग्णांमध्ये प्रकार 2 मधुमेह (T2D) विकसित होण्याचा धोका प्रभावीपणे भाकीत करू शकते. चीनमधील दोन स्वतंत्र रुग्णालयांमध्ये केलेल्या या संशोधनात, मॉडेलने बाह्य मान्यतेदरम्यान 0.89 चा प्रभावी क्षेत्र (AUC) साधला, जो वैद्यकीय सेटिंगमध्ये त्याच्या संभाव्य उपयोगाचे संकेत देतो.

या अभ्यासाची पार्श्वभूमी NAFLD च्या वाढत्या प्रचलनात आहे, जे सामान्यतः चयापचय विकार आणि T2D च्या वाढत्या धोक्याशी संबंधित आहे. कोणते रुग्ण मधुमेह विकसित करण्यासाठी सर्वाधिक संवेदनशील आहेत हे अचूकपणे ओळखणे हे आव्हान आहे, कारण अनेक चयापचय आणि सूज कारक या धोक्यात योगदान देतात. संशोधकांनी मशीन लर्निंगचा वापर करून या रुग्णांमध्ये धोका वर्गीकरण सुधारण्याचा प्रयत्न केला.

संशोधकांनी सात विविध अल्गोरिदमचा वापर करून भाकित मॉडेल विकसित केले, ज्यामध्ये लॉजिस्टिक रिग्रेशन आणि XGBoost समाविष्ट आहेत. शेवटी, XGBoost मॉडेल सर्वात प्रभावी ठरले, ज्याने प्रशिक्षण डेटासेटमध्ये 0.99 चा AUC आणि बाह्य गटात 0.89 चा AUC साधला. या मॉडेलची ताकद पाच नैदानिक घटकांचा वापर करण्यात आहे: कंबर व्यास, उपासमार प्लाझ्मा ग्लुकोज, ट्रायग्लिसराइड पातळ्या, मधुमेहाचा कौटुंबिक इतिहास, आणि न्यूट्रोफिल-टू-लिंफोसाइट गुणोत्तर. हे घटक एकत्रितपणे चयापचय आरोग्य आणि वारसाचा धोका याबद्दल माहिती प्रदान करतात, ज्यामुळे मॉडेल नियमित वैद्यकीय मूल्यमापनासाठी उपलब्ध होते.

या संशोधनाचे परिणाम सार्वजनिक आरोग्यासाठी महत्त्वाचे आहेत, विशेषत: मधुमेह प्रतिबंधक धोरणांच्या संदर्भात. उच्च धोका असलेल्या रुग्णांना लवकर ओळखून, आरोग्य सेवा प्रदाते लक्षित देखरेख आणि प्रतिबंधात्मक उपाय लागू करू शकतात, ज्यामुळे NAFLD असलेल्या रुग्णांमध्ये T2D चा प्रसार कमी होऊ शकतो. तथापि, संशोधकांनी सूचित केले आहे की मॉडेलच्या भाकितांमुळे उपलब्ध अनुवर्ती डेटावर आधारित असतात आणि निश्चित कालावधीत अचूक धोका अंदाज देत नाहीत.

भविष्यात, संशोधकांनी विविध जनसंख्यांमध्ये आणि वैद्यकीय सेटिंग्जमध्ये मॉडेलच्या प्रभावशीलतेची मान्यता देण्यासाठी पुढील संभाव्य अभ्यासांची आवश्यकता असल्याचे अधोरेखित केले. त्यांना मानकीकृत अनुवर्ती कालावधी आणि पूर्वनिर्धारित भविष्यवाणी क्षितिजांची आवश्यकता आहे, जेणेकरून हे सुनिश्चित केले जाईल की मॉडेल नियमित प्रथांमध्ये विश्वासार्हपणे समाविष्ट केले जाऊ शकते, जे अखेरीस NAFLD असलेल्या रुग्णांसाठी मधुमेह धोका वर्गीकरण वाढविण्यात मदत करेल.