एक Random Forest मशीन लर्निंग मॉडल ने 0.8602 के AUC-ROC और 0.8075 की सटीकता (accuracy) के साथ बाएं तरफ के इकोकार्डियोग्राफिक और सिस्टमिक मार्कर्स से गंभीर दाएं तरफ की कार्डियक असामान्यताओं की पहचान की।
अवलोकनात्मक (Observational) (n=370)
क्या बाएं तरफ के इकोकार्डियोग्राफिक और सिस्टमिक क्लिनिकल मार्कर्स का उपयोग करने वाला एक एक्सप्लेनेबल लाइटवेट AI फ्रेमवर्क सऊदी अरब के डायबिटिक कोहॉर्ट में दाएं तरफ के कार्डियक डिसफंक्शन की पहचान करता है?
बाएं तरफ के इकोकार्डियोग्राफिक और सिस्टमिक क्लिनिकल मार्कर्स का उपयोग करने वाला एक लाइटवेट AI फ्रेमवर्क अच्छे विभेदन के साथ डायबिटिक रोगियों में समवर्ती गंभीर दाएं तरफ की असामान्यताओं की पहचान कर सकता है।
Effect estimate: AUC-ROC 0.8602
पृष्ठभूमि: ट्राइकसपिड वाल्व डिसफंक्शन ऐतिहासिक रूप से कम पहचाना जाता है, और उच्च जोखिम वाली डायबिटिक आबादी में दाएं तरफ की कार्डियक असामान्यताएं नैदानिक रूप से महत्वपूर्ण होती हैं। डायबिटीज कार्डियोमेटाबोलिक रीमॉडलिंग, डायस्टोलिक डिसफंक्शन और बढ़े हुए पल्मोनरी दबाव के माध्यम से दाएं तरफ के डिसफंक्शन को बढ़ावा दे सकता है। यह अध्ययन बाएं तरफ के इकोकार्डियोग्राफिक और सिस्टमिक क्लिनिकल मार्कर्स से अत्यधिक गंभीर राइट हार्ट फेनोटाइप्स का अनुमान लगाने के लिए एक एक्सप्लेनेबल, लाइटवेट आर्टिफिशियल इंटेलिजेंस फ्रेमवर्क प्रस्तुत करता है। विधियां: हमने डायबिटीज मेलिटस से पीड़ित लगभग 370 सऊदी अरब के व्यक्तियों के मौजूदा क्लिनिकल डेटासेट का पूर्वव्यापी (रेट्रोस्पेक्टिव) विश्लेषण किया। लीक-अवेयर प्रीप्रोसेसिंग का उपयोग करके सात बेसलाइन मशीन लर्निंग क्लासिफायर्स का मूल्यांकन किया गया। ऑप्टिमिज्म बायस को कम करने के लिए, मॉडलों को True Nested Cross-Validation प्रोटोकॉल के साथ मान्य किया गया। क्लिनिकल ट्राइएज के लिए प्रोबेबिलिस्टिक कैलिब्रेशन, पैरामीटर में कमी और कम्प्यूटेशनल दक्षता को प्राथमिकता दी गई, और SHapley Additive exPlanations (SHAP) ने पारदर्शी निर्णय लेने का समर्थन किया। परिणाम: डिस्क्रिमिनेशन और कैलिब्रेशन के संतुलन के लिए Random Forest का चयन किया गया। True Nested Cross-Validation के तहत, इसने 0.8602 का AUC-ROC, 0.8343 का AUC-PR, 0.8075 की सटीकता (accuracy), 0.7733 की संवेदनशीलता (sensitivity), 0.8239 की विशिष्टता (specificity), 0.1281 का Brier Score, 1.1720 का Calibration Slope और 0.8522 का Observed/Expected Ratio प्राप्त किया। फीचर एब्लेशन ने एक समग्र कार्डियोमेटाबोलिक गंभीरता संकेत का संकेत दिया, जिसमें प्राथमिक भविष्यवक्ताओं के रूप में बाएं आलिंद (left atrial) के आयाम, डायस्टोलिक डिसफंक्शन ग्रेड और मूत्रवर्धक (डाइयूरेटिक) का उपयोग शामिल था। मॉडल को 205.00 kilobytes स्टोरेज और इन्फरेंस के लिए 14.1956 milliseconds की आवश्यकता थी। निष्कर्ष: सिस्टमिक संकेतकों के साथ संयुक्त बाएं तरफ के कार्डियक मार्कर्स समवर्ती गंभीर दाएं तरफ की असामान्यताओं को चिह्नित कर सकते हैं। यह लाइटवेट फ्रेमवर्क विशेष हार्डवेयर की आवश्यकता के बिना नियमित क्लिनिकल विज़िट के दौरान उच्च जोखिम वाले डायबिटिक रोगियों में इकोकार्डियोग्राफिक मूल्यांकन को प्राथमिकता देने के लिए एक आशाजनक ट्राइएज-उन्मुख स्क्रीनिंग प्रोटोटाइप है; हालांकि, जब तक संभावित बाह्य सत्यापन (प्रोस्पेक्टिव एक्सटर्नल वैलिडेशन) पूरा नहीं हो जाता, तब तक इस अध्ययन को केवल परिकल्पना-उत्पादक (हाइपोथेसिस-जनरेटिंग) के रूप में देखा जाना चाहिए।
Hasan et al. (Wed,) ने diabetes mellitus (n=370) में एक observational अध्ययन किया। चरम दाएं हृदय फेनोटाइप की पहचान (AUC-ROC 0.8602) पर Random Forest machine learning मॉडल का मूल्यांकन किया गया। एक Random Forest machine learning मॉडल ने 0.8602 के AUC-ROC और 0.8075 की accuracy के साथ बाएं तरफा इकोकार्डियोग्राफिक और सिस्टमिक मार्करों से गंभीर दाईं ओर की कार्डियक असामान्यताओं की पहचान की।