ИИ демонстрирует многообещающие результаты в прогнозировании диабета 2 типа, но сталкивается с препятствиями при клиническом использовании

В недавнем исследовании, опубликованном в журнале npj Цифровая медицинаИсследователи провели обзорный обзор для анализа моделей на основе искусственного интеллекта (ИИ) для прогнозирования сахарного диабета 2 типа (СД2).

Обзор: Обзорный обзор методов прогнозирования риска диабета на основе искусственного интеллекта. Изображение предоставлено: Создано при содействии DALL·E 3.

Растущая важность искусственного интеллекта в здравоохранении

ИИ помогает в разработке моделей прогнозирования диабета — заболевания, распространенность которого растет во всем мире. На основе профилей риска этот метод пытается оценить индивидуальный риск развития СД2 и связанных с ним осложнений. ИИ позволяет выявлять пациентов с высоким риском и разрабатывать индивидуальные профилактические методы и целенаправленную терапию.

Ключевые этапы разработки моделей ИИ

Модели ИИ должны разрабатываться поэтапно, включая создание моделей, их оценку и преобразование в поддержку принятия клинических решений. Можно использовать внутреннюю или внешнюю проверку, при этом внешняя проверка рекомендуется для более полного анализа обобщаемости модели. Модели на основе искусственного интеллекта стали жизнеспособным подходом к созданию моделей прогнозирования СД2, позволяющим разрабатывать индивидуальные стратегии профилактики заболеваний.

Методология исследования

В настоящем комплексном обзоре исследователи изучили применение прогностических подходов на основе искусственного интеллекта для прогнозирования риска диабета.

Данные систематически искались в базах данных Scopus, PubMed, Google Scholar и IEEE-Xplore для соответствующих продольных исследований с использованием моделей искусственного интеллекта для людей и были опубликованы в период с 1 января 2000 г. по 19 сентября 2022 г. Кроме того, ссылки на включенные исследования были проверены для выявления дополнительных записей.

Были включены только рецензируемые исследования, оригинальные исследования и материалы конференций с использованием медицинской информации, включая электронные медицинские записи (ЭМК), визуализацию и мультиомику. Команда исключила обзоры, комментарии, редакционные статьи, письма, препринты, перекрестные исследования, исследования без использования ИИ, исследования, проведенные на нечеловеческих субъектах, те, которые включают тип 1 и гестационный диабет, а также те, которые включают людей с осложнениями, связанными с диабетом.

Извлеченные данные включали названия, год публикации, имя первого автора, тип публикации, страну, цель исследования, выборочную совокупность, дизайн исследования, демографические данные участников, методы, используемые для установления диагноза СД2, период наблюдения и тип источника данных. Кроме того, команда зафиксировала количество и тип используемых модальностей, тип ИИ, конкретные алгоритмы и подход к проверке. Один рецензент выполнил поиск данных, а два независимо выбранных исследования и извлекли данные, а несоответствия были устранены путем обсуждения или консультации с третьим рецензентом. Для анализа был использован подход нарративного синтеза.

Что показывают данные

Первоначально было идентифицировано 1105 записей, из которых 853 прошли проверку заголовков и аннотаций, 64 прошли полнотекстовую проверку и 40 были рассмотрены для окончательного анализа. Большинство исследований были опубликованы за предыдущие четыре года. Размер выборки варьировался от 244 до 1 893 901 человека из разных групп населения, в том числе из Китая, Финляндии, Калифорнии и Кувейта.

Наиболее распространенные типы данных и алгоритмы

Большинство исследований носило ретроспективный когортный характер и анализировало данные из больших частных наборов данных и общедоступных баз данных, таких как Канадская сеть дозорного надзора за первичной медико-санитарной помощью (CPCSSN), Исследование сердца в Сан-Антонио (SAHS) и Тегеранское исследование липидов и глюкозы (TLGS). ). Наиболее часто используемыми критериями для установления диагноза СД2 были уровни глюкозы в крови натощак 126 мг/дл или выше и гликированный гемоглобин (HbA1c) 6,5% и выше.

В большинстве исследований использовались унимодальные (n=30) модели искусственного интеллекта, и только в 10 исследованиях использовались мультимодальные подходы. В то время как унимодальные модели показали значение площади под кривой (AUC) 0,8, мультимодальные модели показали лучшее значение (AUC 0,9). Классические модели машинного обучения (ML) использовались в большинстве исследований (n = 10), при этом EHR (включая социально-демографические данные, семейный анамнез диабета, факторы образа жизни, антропометрические измерения, гликемические характеристики, уровни сывороточных липидов, холестерина и ТГ) в качестве наиболее часто используемая модальность данных.

Кроме того, преобладали мультиомики (такие как однонуклеотидные полиморфизмы (SNP), метаболомные измерения и данные микробиоты), тогда как медицинская визуализация использовалась меньше всего. Классические модели машинного обучения использовали деревья решений (DT) с их вариациями, такими как быстрые, объективные и эффективные статистические деревья (QUEST) и деревья классификации и регрессии (CART). Моделирование линейной регрессии, классификаторы случайного леса (RF), машины опорных векторов (SVM), классификаторы Naïve Bays (NB), усиление экстремального градиента (XGBoost) и KNN использовались в 10 исследованиях, девяти исследованиях, восьми исследованиях, пяти исследованиях, четырех исследованиях. исследования и четыре исследования соответственно.

Ограничения, возникающие на разных этапах построения прогнозной модели ИИ для СД2: те, которые связаны с базовыми данными, построением и оценкой модели, а также клиническим переводом.

Валидация и интерпретируемость: критический аспект

Тридцать девять исследований провели внутреннюю валидацию, тогда как только пять провели внешнюю валидацию. В большинстве исследований для измерения дискриминации использовались значения площади под кривой (AUC). Следует отметить, что только пять исследований предоставили калибровку модели. Пятьдесят процентов исследований использовали методы интерпретации для выявления предикторов риска, и большинство моделей сообщали об общеизвестных. Уровень глюкозы в крови натощак, индекс массы тела (ИМТ), возраст и уровень триглицеридов в сыворотке крови (ТГ) были наиболее часто документированными предикторами риска СД2. Метаболомные маркеры включали α-токоферол, маннозу, глюкозу, местранол, ибофлавин, гидроксисфингомиелин C14:1 и фосфатидилхолин-ацил-алкил C40:5. Биомаркеры заболеваний сетчатки, связанных с диабетом, основанные на визуализации, включали извилистость сосудов, кровоизлияния в сетчатку, ватные пятна и расширение вен.

Будущие направления и вызовы

Основываясь на полученных результатах, модели искусственного интеллекта показали себя многообещающими в прогнозировании развития СД2, но необходимо преодолеть препятствия, прежде чем их полный потенциал сможет быть реализован. Чтобы оценить потенциальные преимущества моделей ИИ, необходимы обширные проверки и оценка посредством клинических испытаний и проспективных исследований. Функция ИИ в медицине не автономна, а скорее является результатом совместных усилий моделей ИИ и человеческих знаний.

Следующие шаги

Несмотря на ограничения и препятствия, исследователи должны использовать технологии искусственного интеллекта, чтобы ускорить открытие достижений и их внедрение в клиническую практику для пациентов и медицинских работников.