پیش بینی بیماری نارسایی مزمن کلیوی (CKD) با تمرکز بر یادگیری ماشین و یادگیری عمیق

بیماری مزمن کلیوی (CKD) یکی از شایع ترین و پرهزینه ترین بیماری های غیرواگیر در جهان محسوب می شود که تشخیص دیرهنگام آن می تواند به نارسایی کلیه و افزایش مرگ ومیر بینجامد. در سال های اخیر پیشرفت روش های هوش مصنوعی به ویژه یادگیری ماشین و یادگیری عمیق، امکان تحلیل دقیق داده های بالینی و آزمایشگاهی برای تشخیص زودهنگام این بیماری را فراهم کرده است. این مقاله با هدف بررسی و مقایسه ی جدیدترین پژوهش ها در حوزه ی پیش بینی CKD نگاشته شده است. در این راستا عملکرد مدل های کلاسیک یادگیری ماشین مانند رگرسیون لجستیک، جنگل تصادفی و ماشین بردار پشتیبان در مقابل مدل های نوین یادگیری عمیق نظیر شبکه ی پرسپترون چندلایه (MLP) و مدل های مبتنی بر مکانیزم توجه مورد تحلیل قرار گرفته است. مرور سیستماتیک مطالعات نشان می دهد که علیرغم سادگی و تفسیرپذیری بالای مدل های کلاسیک، مدل های یادگیری عمیق به دلیل توانایی در کشف روابط غیرخطی پیچیده با اختلاف دقت حدود ۳ تا ۸ درصدی عملکرد برتری دارند. همچنین اهمیت فرآیند پیش پردازش داده ها و انتخاب ویژگی های موثری مانند سطح کراتینین سرم و آلبومین مورد تاکید قرار گرفته است. در پایان نقش حیاتی تکنیک های تفسیرپذیری مدل مانند SHAP در افزایش اعتمادپذیری این سیستم ها برای استفاده در محیط های بالینی واقعی مورد بحث قرار می گیرد و مسیرهای پژوهشی آینده شامل توسعه ی مدل های ترکیبی، استفاده از داده های چندوجهی و به کارگیری یادگیری انتقالی ترسیم می شود.

کلیدواژه ها:

نارسایی مزمن کلیوی ، یادگیری ماشین ، یادگیری عمیق ، شبکه ی پرسپترون چندلایه (MLP) ، انتخاب ویژگی ، تفسیرپذیری مدل