এআই ফ্যাটি লিভার রোগে আক্রান্ত রোগীদের ডায়াবেটিসের ঝুঁকির পূর্বাভাস দেয়

মেশিন লার্নিং নন-অ্যালকোহলিক ফ্যাটি লিভার ডিজিজ (NAFLD) রোগীদের সনাক্ত করতে সাহায্য করতে পারে যারা টাইপ 2 ডায়াবেটিস (T2D) হওয়ার ঝুঁকিতে রয়েছে, দুটি স্বাধীন চীনা হাসপাতালের কোহর্টের সাথে জড়িত নতুন গবেষণা অনুসারে।

গবেষকরা পাঁচটি নিয়মিত উপলব্ধ ক্লিনিকাল ভেরিয়েবল ব্যবহার করে একটি ভবিষ্যদ্বাণীমূলক মডেল তৈরি এবং বাহ্যিকভাবে যাচাই করেছেন, একটি স্বাধীন বৈধতা দলে 0.89 এর রিসিভার অপারেটিং চরিত্রগত বক্ররেখা (AUC) এর অধীনে একটি এলাকা অর্জন করেছেন। ফলাফলগুলি পরামর্শ দেয় যে কৃত্রিম বুদ্ধিমত্তা NAFLD রোগীদের আরও ব্যক্তিগতকৃত ঝুঁকি মূল্যায়নকে সমর্থন করতে পারে, যদিও ক্লিনিকাল বাস্তবায়নের আগে আরও সম্ভাব্য বৈধতা প্রয়োজন।

ফ্যাটি লিভার রোগে ডায়াবেটিসের ঝুঁকি চিহ্নিত করা

এনএএফএলডি, বিপাকীয় কর্মহীনতা-সম্পর্কিত স্টেটোটিক লিভার ডিজিজ (এমএএসএলডি) এর কাঠামোর মধ্যে ক্রমবর্ধমানভাবে আলোচিত, বিপাকীয় অস্বাভাবিকতা এবং T2D বিকাশের বর্ধিত সম্ভাবনার সাথে ঘনিষ্ঠভাবে জড়িত।

ডায়াবেটিস হওয়ার সবচেয়ে বেশি ঝুঁকিতে থাকা রোগীদের সনাক্ত করা পূর্ববর্তী পর্যবেক্ষণ এবং প্রতিরোধমূলক হস্তক্ষেপকে সমর্থন করতে পারে।

যাইহোক, NAFLD এর সাথে কোন ব্যক্তিরা পরবর্তীতে T2D বিকাশ করবে তার ভবিষ্যদ্বাণী করা চ্যালেঞ্জিং রয়ে গেছে, বিশেষত যখন একাধিক বিপাকীয় এবং প্রদাহজনক কারণগুলি রোগের ঝুঁকিতে অবদান রাখে।

মেশিন লার্নিং ঝুঁকি স্তরবিন্যাস উন্নত করতে পারে কিনা তা তদন্ত করতে, গবেষকরা চীনের দুটি তৃতীয় হাসপাতাল থেকে হিস্টোলজিক্যালি নিশ্চিত NAFLD রোগীদের পূর্ববর্তীভাবে বিশ্লেষণ করেছেন।

হিস্টোলজিকাল ডায়াগনসিসের তারিখটি বেসলাইন হিসাবে ব্যবহার করা হয়েছিল, রোগীদের তাদের প্রথম নথিভুক্ত T2D নির্ণয় বা তাদের সর্বশেষ উপলব্ধ ক্লিনিকাল রেকর্ড না হওয়া পর্যন্ত অনুসরণ করা হয়েছিল।

গবেষকরা লজিস্টিক রিগ্রেশন, ডিসিশন ট্রি, র্যান্ডম ফরেস্ট, XGBoost, LightGBM, সাপোর্ট ভেক্টর মেশিন এবং কৃত্রিম নিউরাল নেটওয়ার্ক (ANN) সহ সাতটি ভবিষ্যদ্বাণীমূলক মডেল তৈরি করেছেন।

বৈষম্য, ক্রমাঙ্কন, ক্লিনিকাল সিদ্ধান্ত বিশ্লেষণ এবং বাহ্যিক বৈধতা ব্যবহার করে মডেল কর্মক্ষমতা মূল্যায়ন করা হয়েছিল।

পাঁচজন ক্লিনিকাল ভবিষ্যদ্বাণী চিহ্নিত করা হয়েছে

সর্বনিম্ন পরম সংকোচন এবং নির্বাচন অপারেটর (LASSO) রিগ্রেশন ব্যবহার করে, গবেষকরা পরবর্তী T2D বিকাশের সাথে যুক্ত পাঁচটি ভেরিয়েবল চিহ্নিত করেছেন।

এর মধ্যে রয়েছে কোমরের পরিধি, উপবাসের প্লাজমা গ্লুকোজ, ট্রাইগ্লিসারাইডের মাত্রা, ডায়াবেটিসের পারিবারিক ইতিহাস এবং নিউট্রোফিল-টু-লিম্ফোসাইট অনুপাত।

নির্বাচিত ভবিষ্যদ্বাণীকারীরা বিপাকীয় বৈশিষ্ট্য, বংশগত ঝুঁকি এবং পদ্ধতিগত প্রদাহের চিহ্নিতকারীর সংমিশ্রণকে প্রতিনিধিত্ব করে।

উপবাসের প্লাজমা গ্লুকোজ বিদ্যমান গ্লাইসেমিক অবস্থা সম্পর্কে তথ্য প্রদান করে, যখন কোমরের পরিধি এবং ট্রাইগ্লিসারাইডের মাত্রা ডায়াবেটিসের ঝুঁকির সাথে প্রাসঙ্গিক বিপাকীয় বৈশিষ্ট্যগুলিকে প্রতিফলিত করে।

পারিবারিক ইতিহাস সংবেদনশীলতার একটি প্রতিষ্ঠিত মাত্রা ক্যাপচার করে, যেখানে নিউট্রোফিল-টু-লিম্ফোসাইট অনুপাত প্রদাহজনক অবস্থার একটি অ্যাক্সেসযোগ্য পরিমাপ প্রদান করে।

গুরুত্বপূর্ণভাবে, সমস্ত পাঁচটি ভেরিয়েবলই রুটিন ক্লিনিকাল মূল্যায়নের মাধ্যমে প্রাপ্ত করা যেতে পারে, সম্ভাব্যভাবে বিশেষ তদন্তের প্রয়োজনের পদ্ধতির তুলনায় মডেলটিকে আরও অ্যাক্সেসযোগ্য করে তোলে।

গবেষকরা জোর দিয়েছিলেন যে মডেলের সম্ভাব্য মান সম্পূর্ণ নতুন ডায়াবেটিস ভবিষ্যদ্বাণীকারীদের চিহ্নিত করার পরিবর্তে একটি সমন্বিত ঝুঁকি মূল্যায়নে প্রতিষ্ঠিত ক্লিনিকাল ভেরিয়েবলগুলিকে একত্রিত করার মধ্যে নিহিত।

XGBoost শক্তিশালী বাহ্যিক কর্মক্ষমতা প্রদর্শন করে

মূল্যায়ন করা সাতটি অ্যালগরিদমের মধ্যে, ANN মডেলটি অভ্যন্তরীণ বৈধতা ডেটাসেটে সবচেয়ে শক্তিশালী কর্মক্ষমতা প্রদর্শন করেছে।

যাইহোক, যখন গবেষকরা একটি স্বাধীন বাহ্যিক দলে সাতটি মডেলের মূল্যায়ন করেন, তখন XGBoost সর্বোত্তম সামগ্রিক কর্মক্ষমতা প্রদর্শন করে।

XGBoost মডেলটি প্রশিক্ষণ ডেটাসেটে 0.99 এর AUC এবং বাহ্যিক বৈধকরণ দলে 0.89 অর্জন করেছে।

প্রশিক্ষণ এবং বাহ্যিক বৈধতা কর্মক্ষমতা মধ্যে পার্থক্য উন্নয়নের সময় তাদের কর্মক্ষমতা উপর একচেটিয়াভাবে নির্ভর করার পরিবর্তে স্বাধীন জনসংখ্যার মধ্যে ভবিষ্যদ্বাণীমূলক মডেল মূল্যায়নের গুরুত্ব তুলে ধরে।

XGBoost প্রাথমিকভাবে বাহ্যিক বৈধতা ফলাফল, ক্রমাঙ্কন, এবং সিদ্ধান্ত বক্ররেখা বিশ্লেষণের উপর ভিত্তি করে চূড়ান্ত মডেল হিসাবে নির্বাচিত হয়েছিল।

গবেষকরা ফলো-আপ সময়কালের পার্থক্যের জন্য বিভিন্ন সংবেদনশীলতা বিশ্লেষণও পরিচালনা করেছেন, যার মধ্যে রয়েছে কক্স আনুপাতিক বিপদ রিগ্রেশন, সময়-নির্ভর রিসিভার অপারেটিং চরিত্রগত বিশ্লেষণ, ফলো-আপ-অ্যাডজাস্টেড লজিস্টিক রিগ্রেশন এবং তিন বছরের ল্যান্ডমার্ক বিশ্লেষণ।

এই বিশ্লেষণগুলি প্রাথমিক ফলাফলগুলির সাথে বস্তুগতভাবে সামঞ্জস্যপূর্ণ ফলাফলগুলি তৈরি করেছে, যা মডেলের সামগ্রিক ভবিষ্যদ্বাণীমূলক কর্মক্ষমতার দৃঢ়তাকে সমর্থন করে।

ব্যাখ্যাযোগ্যতা উন্নত করতে, গবেষকরা কীভাবে পৃথক ভেরিয়েবলগুলি ভবিষ্যদ্বাণীগুলিতে অবদান রেখেছে তা মূল্যায়ন করতে শ্যাপলি অ্যাডেটিভ এক্সপ্ল্যানেশনস (SHAP) বিশ্লেষণ ব্যবহার করেছেন।

এটি উপবাসের গুরুত্ব নিশ্চিত করেছে প্লাজমা গ্লুকোজ, কোমরের পরিধি, ট্রাইগ্লিসারাইডস, ডায়াবেটিসের পারিবারিক ইতিহাস এবং নিউট্রোফিল-টু-লিম্ফোসাইট অনুপাত পৃথকীকৃত ঝুঁকির অনুমান নির্ধারণে।

পূর্ববর্তী ডায়াবেটিস ঝুঁকি স্তরবিন্যাস জন্য সম্ভাব্য

ফলাফলগুলি পরামর্শ দেয় যে নিয়মিতভাবে উপলব্ধ ক্লিনিকাল তথ্য অন্তর্ভুক্ত করে মেশিন-লার্নিং মডেলগুলি এনএএফএলডি রোগীদের সনাক্ত করতে সাহায্য করতে পারে যারা ঘনিষ্ঠ বিপাকীয় পর্যবেক্ষণ থেকে উপকৃত হতে পারে।

এই ধরনের পদ্ধতিগুলি সম্ভাব্যভাবে আরও লক্ষ্যযুক্ত প্রতিরোধমূলক কৌশলগুলিকে সমর্থন করতে পারে, বিশেষত একাধিক বিপাকীয় ঝুঁকির কারণযুক্ত রোগীদের মধ্যে।

যাইহোক, গবেষকরা বেশ কয়েকটি সীমাবদ্ধতার উপর জোর দিয়েছেন।

পূর্ববর্তী গবেষণায় দুটি তৃতীয় হাসপাতাল থেকে বায়োপসি-নিশ্চিত এনএএফএলডি রোগীদের অন্তর্ভুক্ত করা হয়েছে, অ-আক্রমণাত্মক পদ্ধতি ব্যবহার করে নির্ণয় করা বৃহত্তর জনসংখ্যার সাধারণীকরণকে সম্ভাব্যভাবে সীমিত করে।

তদ্ব্যতীত, মডেলটি একটি, তিন বা পাঁচ বছরের মতো নির্দিষ্ট ব্যবধানে নিখুঁত ঝুঁকি অনুমান প্রদানের পরিবর্তে উপলব্ধ ফলো-আপ সময়ের মধ্যে ডায়াবেটিস হওয়ার পূর্বাভাস দিয়েছে।

ফলস্বরূপ, এর কার্যকারিতাকে প্রমাণ হিসাবে ব্যাখ্যা করা উচিত নয় যে এটি একটি নির্দিষ্ট সময়সীমার মধ্যে ডায়াবেটিসের বিকাশের সঠিকভাবে পূর্বাভাস দিতে পারে।

যদিও বাহ্যিক বৈধতা প্রতিশ্রুতিবদ্ধ বৈষম্য প্রদর্শন করেছে, মডেলটি এখনও ক্লিনিকাল সিদ্ধান্ত বা রোগীর ফলাফলের উন্নতির জন্য দেখানো হয়নি।

গবেষকরা উপসংহারে পৌঁছেছেন যে পাঁচটি নিয়মিতভাবে উপলব্ধ ভেরিয়েবলের উপর ভিত্তি করে একটি ব্যাখ্যাযোগ্য মেশিন-লার্নিং কাঠামো NAFLD রোগীদের মধ্যমেয়াদী ডায়াবেটিস ঝুঁকি স্তরবিন্যাসের সমর্থন করতে পারে।

আরও সম্ভাব্য, পদ্ধতিকে রুটিন ক্লিনিকাল অনুশীলনে অন্তর্ভুক্ত করার আগে প্রমিত ফলো-আপ পিরিয়ড এবং পূর্বনির্ধারিত পূর্বাভাস দিগন্ত সহ মাল্টিসেন্টার অধ্যয়ন প্রয়োজন।

রেফারেন্স

Lei, K., Wu, Y., Xing, Y. et al. মেশিন লার্নিং ব্যবহার করে হিস্টোলজিক্যালি নিশ্চিত NAFLD রোগীদের ক্ষেত্রে টাইপ 2 ডায়াবেটিসের জন্য মধ্যমেয়াদী ঝুঁকির পূর্বাভাস: দুটি দল থেকে অন্তর্দৃষ্টি। ডায়াবেটল মেটাব সিনড্র (2026)।