تُعد أمراض الكبد الدهني غير الكحولي (NAFLD) واحدة من التحديات الصحية الكبرى، حيث تؤثر على حوالي 25% من البالغين حول العالم، مما يزيد من مخاطر الإصابة بمشاكل كبدية وقلبية خطيرة. لكن، حتى الآن، تظل أدوات الفحص على مستوى السكان غير كافية. هنا يأتي دور الابتكار الجديد.

تم تقديم طريقة مبتكرة تعتمد على التعلم الآلي لتوقع مخاطر NAFLD، حيث تدمج بين أشجار القرار المعززة (Gradient-Boosted Decision Trees) وتقنيات التنبؤ المتوافقة (Conformal Prediction) لتضمن تغطيات دقيقة وموثوقة لتقديرات المخاطر الفردية. كما تعتمد على إجراء اختيار استقرار قائم على المعلومات المشتركة لتحديد مجموعة ميزات مدمجة وسهلة الفهم سريرياً.

تم اختبار هذه الطريقة على مجموعة متعددة المراكز من مدينة غوانغتشو الصينية، حيث شملت 2187 حالة للتقييم والمزيد من 412 حالة للت validation الخارجي. وقد أظهرت النتائج تفوق هذه الطريقة بوضوح مقارنة بالشبكات العصبية العميقة، وأدوات TabNet، وآلات الدعم الناقل، والانحدار اللوجستي، إذ حققت área تحت منحنى الميزة (AUROC) بمعدل 0.912 داخلياً و0.891 خارجياً.

دعماً لنتائج هذا النظام، يقدم نظام تصنيف مخاطر ثلاثي يميز بين مجموعات مختلفة من المخاطر. حيث تُظهر المجموعة عالية المخاطر معدل تقدم في المرض خلال 12 شهراً بمعدل 4.7 أضعاف المجموعة منخفضة المخاطر. ومن الميزات المحددة في هذه النماذج: محيط الخصر، مستوى الإنزيم ALT، GGT، الدهون الثلاثية، مستوى الجلوكوز الصائم، ومؤشر كتلة الجسم (BMI)، وهي عوامل تتوافق مع العوامل المعروفة لمخاطر التمثيل الغذائي.

باختصار، إن هذا النظام الجديد يوفر أداة قوية غير مسبوقة تساعد الأطباء في تقديم التوصيات السريرية المناسبة، ويعتبر دليلاً على القدرة المتزايدة للتعلم الآلي في مجال الصحة العامة.

ما رأيكم في هذا التطور المثير في الذكاء الاصطناعي؟ شاركونا آرائكم وتجاربكم في التعليقات.