به گزارش پایگاه اطلاع‌رسانی بنیان، بیماری عروق کرونری (CHD) همراه با دیابت نوع دوم (T2DM) یکی از شایع‌ترین بیماری‌های چندگانه در میان سالمندان است که با افزایش سن جمعیت، اهمیت بیشتری یافته است. مطالعه‌ای جدید که در سال 2025 در نشریه Scientific Reports منتشر شده، با استفاده از الگوریتم‌های یادگیری ماشینی و تکنیک توضیح‌پذیر SHAP، عوامل خطر کلیدی برای CHD-T2DM را شناسایی کرده است. این پژوهش، که توسط داندان تنگ و همکارانش انجام شده، با تحلیل داده‌های 12,400 بیمار از بیمارستان وابسته به دانشگاه پزشکی سین‌جیانگ بین سال‌های 2001 تا 2018، نشان داد که سابقه دیابت، سطح گلوکز خون (BG) و هموگلوبین گلیکوزیله (HbA1c) مهم‌ترین عوامل خطر هستند. این مطالعه با استفاده از مدل‌های یادگیری ماشینی مانند Random Forest (RF) و XGBoost، دقت بالایی در پیش‌بینی خطر CHD-T2DM ارائه کرده و ابزارهای تشخیصی غیرتهاجمی را برای تشخیص زودهنگام پیشنهاد می‌دهد. این یافته‌ها می‌توانند به بهبود مدیریت بالینی و کاهش مرگ‌ومیر ناشی از این بیماری‌ها کمک کنند.

ارتباط دیابت نوع دوم و بیماری عروق کرونری
دیابت نوع دوم به‌عنوان یکی از عوامل خطر اصلی برای بیماری عروق کرونری شناخته می‌شود. این مطالعه نشان داد که 62.2 درصد از بیماران CHD دچار اختلالات متابولیسم گلوکز هستند. این اختلالات می‌توانند با ایجاد التهاب و آسیب عروقی، خطر انسداد عروق کرونری و عوارضی مانند آنژین صدری، آریتمی و سکته قلبی را افزایش دهند. شناسایی زودهنگام این عوامل خطر می‌تواند به پیشگیری از عوارض جدی کمک کند. بیماران با T2DM اغلب با مشکلات متابولیکی پیچیده‌ای مواجه هستند که نظارت دقیق را ضروری می‌سازد.

نقش یادگیری ماشینی در تشخیص
این مطالعه از هفت مدل یادگیری ماشینی، از جمله RF، XGBoost و LightGBM، برای پیش‌بینی خطر CHD-T2DM استفاده کرد. مدل RF با دقت 95.02 درصد و AUC نزدیک به 1، بهترین عملکرد را داشت. استفاده از الگوریتم SMOTENC برای رفع عدم تعادل داده‌ها، دقت مدل‌ها را به‌طور قابل‌توجهی بهبود بخشید. این ابزارها می‌توانند به پزشکان کمک کنند تا بیماران در معرض خطر را با دقت بیشتری شناسایی کنند. مدل‌های یادگیری ماشینی با تحلیل داده‌های پیچیده بالینی، امکان پیش‌بینی دقیق‌تر و شخصی‌سازی درمان را فراهم می‌کنند.

عوامل خطر کلیدی شناسایی‌شده
تحلیل SHAP نشان داد که سابقه دیابت، سطح گلوکز خون و HbA1c مهم‌ترین عوامل خطر برای CHD-T2DM هستند. این عوامل نشان‌دهنده تأثیر قوی دیابت بر سلامت عروق کرونری هستند. سایر متغیرها مانند سابقه فشار خون بالا، وزن، شاخص‌های آزمایشگاهی مانند PDW، و پارامترهای عروقی مانند LAD و LCX نیز نقش مهمی داشتند، اما تأثیر کمتری نسبت به عوامل اصلی داشتند. این یافته‌ها بر اهمیت کنترل قند خون در بیماران دیابتی تأکید می‌کنند.

اهمیت ابزارهای تشخیصی غیرتهاجمی
روش‌های سنتی تشخیص CHD مانند آنژیوگرافی کرونری گران و تهاجمی هستند. این مطالعه ابزارهای تشخیصی غیرتهاجمی مبتنی بر یادگیری ماشینی را پیشنهاد می‌دهد که با استفاده از داده‌های آزمایشگاهی و بالینی، می‌توانند خطر CHD-T2DM را با هزینه کمتر و دسترسی بیشتر پیش‌بینی کنند. این ابزارها به‌ویژه در مناطق با منابع محدود، مانند مناطق روستایی یا کشورهای در حال توسعه، بسیار ارزشمند هستند. توسعه این فناوری‌ها می‌تواند دسترسی به مراقبت‌های بهداشتی را بهبود بخشد.

پیامدهای اجتماعی و بالینی
افزایش شیوع بیماری‌های چندگانه مانند CHD-T2DM در جمعیت‌های سالمند، فشار زیادی بر سیستم‌های بهداشتی وارد می‌کند. این مطالعه با شناسایی عوامل خطر کلیدی، به بیمارستان‌ها و پزشکان توصیه می‌کند که نظارت بر بیماران با سابقه دیابت و سطوح بالای گلوکز و HbA1c را تقویت کنند. برنامه‌های مداخله‌ای هدفمند، مانند تنظیم رژیم دارویی و پایش منظم، می‌توانند به کاهش عوارض و بهبود کیفیت زندگی بیماران کمک کنند. این رویکرد همچنین می‌تواند هزینه‌های درمانی را کاهش دهد.

راهکارهای عملی برای پیشگیری
برای کاهش خطر CHD-T2DM، کنترل دقیق قند خون و HbA1c ضروری است. برنامه‌های آموزشی برای بیماران، رژیم غذایی سالم با تأکید بر غذاهای کم‌گلیسمی، ورزش منظم و اجتناب از عوامل خطر مانند سیگار و الکل می‌توانند تأثیرات مثبتی داشته باشند. سیاست‌های سلامت عمومی باید بر غربالگری منظم، دسترسی به ابزارهای تشخیصی پیشرفته و افزایش آگاهی عمومی تمرکز کنند. علاوه بر این، همکاری بین پزشکان و بیماران برای تنظیم برنامه‌های درمانی شخصی‌سازی‌شده می‌تواند نتایج بهتری به همراه داشته باشد.

نقش فناوری در آینده مراقبت‌های بهداشتی
استفاده از الگوریتم‌های یادگیری ماشینی و تکنیک‌های توضیح‌پذیر مانند SHAP، پتانسیل بالایی برای تحول در مراقبت‌های بهداشتی دارد. این فناوری‌ها می‌توانند با تحلیل داده‌های بزرگ، الگوهای پنهان بیماری‌ها را شناسایی کرده و به پزشکان در تصمیم‌گیری دقیق‌تر کمک کنند. توسعه اپلیکیشن‌ها و پلتفرم‌های مبتنی بر این مدل‌ها می‌تواند دسترسی بیماران به ابزارهای تشخیصی را تسهیل کند و زمان تشخیص را کوتاه‌تر کند.

نتیجه‌گیری: آینده‌ای برای مدیریت بهتر بیماری‌ها
مطالعه جدید با استفاده از الگوریتم‌های یادگیری ماشینی و تحلیل SHAP، گامی مهم در شناسایی عوامل خطر CHD-T2DM برداشته است. سابقه دیابت، سطح گلوکز خون و HbA1c به‌عنوان عوامل کلیدی شناسایی شده‌اند که باید در اولویت نظارت و مداخله قرار گیرند. ابزارهای تشخیصی غیرتهاجمی مبتنی بر یادگیری ماشینی می‌توانند تشخیص زودهنگام را تسهیل کرده و مرگ‌ومیر را کاهش دهند. با تقویت سیاست‌های سلامت عمومی، آموزش بیماران، استفاده از فناوری‌های نوین و همکاری بین پزشکان و جوامع، می‌توان مدیریت این بیماری‌ها را بهبود بخشید و بار سیستم‌های بهداشتی را کاهش داد. این مطالعه نشان‌دهنده پتانسیل بالای یادگیری ماشینی در تحول مراقبت‌های بهداشتی است و راه را برای آینده‌ای با مراقبت‌های دقیق‌تر و مؤثرتر هموار می‌کند.
پایان مطلب/.