مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

پیش‌بینی ریسک قطع عضو بیماران دیابتی با استفاده از الگوریتم‌های بهبودیافته یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان
سمیه ملک زاده 1
مهدی یوسفی نژاد عطاری 2
مهدی کرامت پور 1
1 گروه مهندسی صنایع، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران.
2 گروه مهندسی صنایع ، واحد بناب، دانشگاه آزاد اسلامی، بناب ، ایران.
10.87453/bumara.2026.372301.4021
چکیده
قطع عضو اندام تحتانی یکی از جدی‌ترین عوارض دیابت است که بار اقتصادی، اجتماعی و روانی سنگینی بر بیماران و سیستم‌های بهداشتی تحمیل می‌کند. هدف این مطالعه، توسعه و ارزیابی الگوریتم‌های بهبودیافته یادگیری ماشین برای پیش‌بینی ریسک قطع عضو در بیماران دیابتی با تمرکز بر تفسیرپذیری و قابلیت کاربرد بالینی است. به منظور انجام این پژوهش، الگوریتم‌های مختلف یادگیری ماشین شامل XGBoost، LightGBM، Random Forest،SVM ،KNN ، شبکه های عصبی عمیق و مدلهای ترکیبی، بر روی داده های بیش از ۳۳۰ هزار بیمار دیابتی توسعه یافتند. برای بهبود عملکرد مدل ها، تکنیک‌های مهندسی ویژگی، متعادل‌سازی داده، بهینه‌سازی بیزی ابرپارامتر و روش‌های Ensemble به‌کار گرفته شدند. تفسیرپذیری مدل ها با استفاده از SHAP و LIME و تحلیل اهمیت ویژگی ارزیابی گردید. نتایج حاصل از مطالعه حاکی از آن است، مدل XGBoost با AUC برابر 93/0 (اعتبارسنجی داخلی) و 84/0 (اعتبارسنجی خارجی) بهترین عملکرد را در پیش‌بینی قطع عضو نشان داد. مدل LightGBM با AUC برابر 9۰/0، 85/0 و 76/0، به ترتیب برای پیش‌بینی عدم قطع عضو، قطع عضو مینور و قطع عضو ماژور دست یافت. تحلیل SHAP نشان داد که شمارش گلبول‌های سفید، شاخص CCI، شمارش گلبول‌های قرمز، تغییرات اندازه گلبولهای قرمز خون، گانگرن، استئومیلیت، بیماری عروق محیطی، عفونت سیستمیک و کاهش وزن مهم‌ترین پیش‌بینی‌کننده‌ها هستند. مدل ترکیبی با استفاده از Weighted Boxes Fusion بهmAP برابر با 864/0 در تشخیص زخم دست یافت که 4/12 درصد بهتر از benchmark مطالعات قبلی بود. درنهایت می توان نتیجه گرفت، الگوریتم‌های بهبودیافته یادگیری ماشین با دقت بالایی می‌توانند ریسک قطع عضو در بیماران دیابتی را پیش‌بینی کنند. استفاده از روش‌های تفسیرپذیری، شفافیت لازم برای پذیرش بالینی را فراهم می‌کند. مدل‌های توسعه‌یافته می‌توانند به عنوان ابزارهای غربالگری اولیه برای شناسایی بیماران پرخطر و هدایت تصمیمات بالینی مورد استفاده قرار گیرند.
کلیدواژه‌ها
دیابت
قطع عضو
زخم پای دیابتی
یادگیری ماشین
موضوعات

عنوان مقاله English

Predict Amputation Risk in Diabetic Patients with Using Improved Machine Learning Algorithms

نویسندگان English

Somayeh Malekzadeh 1
Mahdi Yousefi Negad Attari 2
Mehdi Keramatpour 1
1 Department of Industrial Engineering, Ro.C., Islamic Azad University, Roudehen, Iran.
2 Department of Industrial Engineering, Bon.C., Islamic Azad University, Bonab, Iran.
چکیده English

Lower extremity amputation is one of the most serious complications of diabetes, imposing a heavy economic, social, and psychological burden on patients and healthcare systems. The aim of this study was to develop and evaluate improved machine learning algorithms for predicting the risk of amputation in diabetic patients, with a focus on interpretability and clinical applicability. To conduct this research, various machine learning algorithms, including XGBoost, LightGBM, Random Forest, SVM, KNN, deep neural networks, and ensemble models, were developed on data from more than 330,000 diabetic patients. To improve model performance, feature engineering techniques, data balancing, Bayesian hyperparameter optimization, and ensemble methods were applied. Model interpretability was assessed using SHAP, LIME, and feature importance analysis. The results of the study indicate that the XGBoost model demonstrated the best performance in predicting amputation, with an AUC of 0.93 (internal validation) and 0.84 (external validation). The LightGBM model achieved AUCs of 0.90, 0.85, and 0.76 for predicting no amputation, minor amputation, and major amputation, respectively. SHAP analysis showed that white blood cell count (WBC), CCI score, red blood cell count (RBC), red cell distribution width (RDW), gangrene, osteomyelitis, peripheral artery disease, systemic infection, and weight loss were the most important predictors. The hybrid model using Weighted Boxes Fusion achieved an mAP of 0.864 in ulcer detection, which was 12.4% better than the benchmark of previous studies. Finally, it can be concluded that improved machine learning algorithms can predict the risk of amputation in diabetic patients with high accuracy. The use of interpretability methods provides the necessary transparency for clinical acceptance. The developed models can be used as primary screening tools for identifying high-risk patients and guiding clinical decisions.

کلیدواژه‌ها English

Diabetes
Amputation
Diabetic Foot UlcerInterpretability
Prediction
American Diabetes Association. 2. Classification and Diagnosis of Diabetes: Standards of Medical Care in Diabetes-2021. Diabetes Care. 2021;44(Suppl 1):S15-S33.
Sun H, Saeedi P, Karuranga S, et al. IDF Diabetes Atlas: Global, regional and country-level diabetes prevalence estimates for 2021 and projections for 2045. Diabetes Res Clin Pract. 2022;183:109119.
Esteghamati A, Etemad K, Koohpayehzadeh J, et al. Trends in the prevalence of diabetes and impaired fasting glucose in association with obesity in Iran: 2005-2011. Diabetes Res Clin Pract. 2014;103(2):319-327. [In Persion]
Armstrong DG, Boulton AJM, Bus SA. Diabetic Foot Ulcers and Their Recurrence. N Engl J Med. 2017;376(24):2367-2375.
Schaper NC, van Netten JJ, Apelqvist J, et al. Practical Guidelines on the prevention and management of diabetic foot disease (IWGDF 2019 update). Diabetes Metab Res Rev. 2020;36(Suppl 1):e3266.
Jupiter DC, Thorud JC, Buckley CJ, Shibuya N. The impact of foot ulceration and amputation on mortality in diabetic patients. I: From ulceration to death, a systematic review. Int Wound J. 2016;13(5):892-903.
Zhang P, Lu J, Jing Y, et al. Global epidemiology of diabetic foot ulceration: a systematic review and meta-analysis. Ann Med. 2017;49(2):106-116.
Zeinalnezhad, M.,  Shishehchi, S. An integrated data mining algorithms and meta-heuristic technique to predict the readmission risk of diabetic patients. Healthcare Analytics . 2024 ;5(100292). [In Persion]
Molaee Fard, R. Provide a method to diagnose and optimize diabetes using data mining methods and firefly algorithm. Engineering Management and Soft Computing . 2023 ; 9 (1), 36-48. [In Persion]
Rafiei, M. Design an Algorithm based on Data Mining to Predict Diabetes. Iranian Journal of Diabetes and Metabolism. 2023; 23(1), 53-67. [In Persion]
MusaFarkhani, E., Boskabadi, M.,  Mohajeri, N.,  Taghipour, A.,  Esmaily, H.,  Hoseini, SJ . Modeling and Identification of Factors Affecting the Existence of Complications Caused by Diabetes with Data Mining Methods. Iranian Journal of Diabetes and Metabolism.2023; 22(6),409-420. [In Persion]
Dekamini, F.,  Ehsanifar, M. Comparison of the Efficiency of Data Mining Algorithms in Predicting the Diagnosis of Diabetes. Iranian Journal of Diabetes and Metabolism. 2021; 21(4), 264-275. [In Persion]
Stefanopoulos S, Qiu Q, Ren G, et al. A Machine Learning Model for Prediction of Amputation in Diabetics. J Diabetes Sci Technol. 2024;18(4):874-881.
Sarmun R, Chowdhury MEH, Murugappan M, et al. Diabetic Foot Ulcer Detection: Combining Deep Learning Models for Improved Localization. Cogn Comput. 2024;16:1413-1431.
Schäfer Z, Mathisen A, Svendsen K, et al. Toward Machine-Learning-Based Decision Support in Diabetes Care: A Risk Stratification Study on Diabetic Foot Ulcer and Amputation. Front Med. 2021;7:601602.
Thotad PN, Bharamagoudar GR, Anami BS. Diabetic foot ulcer detection using deep learning approaches. Sens Int. 2023;4:100210.
Ahsan, H., Perveen, W., Shahzad, R.,  Fayyaz, S.,  Zaif, A.,  Asif Paracha, M.,  Nuhmani, Sh.,  Khan, M.,  H.Alghadir, A. Prevalence of peripheral neuropathy, amputation, and quality of life in patients with diabetes mellitus. Natureportfolio(scientific reports). 2024; 14:14430.
Wang S, Wang J, Zhu MX, Tan Q. Machine learning for the prediction of minor amputation in University of Texas grade 3 diabetic foot ulcers. PLoS One. 2022;17(12):e0278445.
Oei CW, Chan YM, Zhang X, et al. Risk Prediction of Diabetic Foot Amputation Using Machine Learning and Explainable Artificial Intelligence. J Diabetes Sci Technol. 2024;18(2):1-15.
Yap MH, Hachiuma R, Alavi A, et al. Deep learning in diabetic foot ulcers detection: A comprehensive evaluation. Comput Biol Med. 2021;135:104596.
Xie P, Li Y, Deng B, et al. An explainable machine learning model for predicting in-hospital amputation rate of patients with diabetic foot ulcer. Int Wound J. 2022;19(4):910-918.
Mills JL Sr, Conte MS, Armstrong DG, et al. The Society for Vascular Surgery Lower Extremity Threatened Limb Classification System: risk stratification based on wound, ischemia, and foot infection (WIfI). J Vasc Surg. 2014;59(1):220-234.
Mathioudakis N, Hicks CW, Canner JK, et al. The Society for Vascular Surgery Wound, Ischemia, and foot Infection (WIfI) classification system predicts wound healing but not major amputation in patients with diabetic foot ulcers. J Vasc Surg. 2017;65(6):1698-1705.
Monteiro-Soares M, Boyko EJ, Ribeiro J, et al. Risk stratification systems for diabetic foot ulcers: a systematic review. Diabetologia. 2011;54(5):1190-1199.
Cabitza F, Rasoini R, Gensini GF. Unintended consequences of machine learning in medicine. JAMA. 2017;318(6):517-518.
Aghili, M.,  Farhang , Ali. Investigating the Effectiveness of Dialectical Behavior Therapy on Resilience, Psychological Flexibility, and Glycemic Control of Diabetic Patients. Intern Med Today. 2022; 28(4):514-529. [In Persion]
Yazdanpanah, l.,  Jahanshahi, A.,  Hosseini Nezhad, S. Prevalence of Diabetic Neuropathy and Its Rrisk Factors in Diabetic Patients Referred to the Golestan Hospital Diabetes Clinic during 1393-95. Jundishapur Scientific Medical Journal. 2023; 22(2): 258-267. [In Persion]
Jafarzadeh, M.,  Tavakoli Golpayegani, A.,  Tabatabai Ghomsheh, F. Effect of Offloading Plantar Pressure on Peak Pressure in Ten Plantar Regions and Gait Speed in Men With Diabetes and Active Diabetic Foot Ulcers, and Healthy Men (Persian)]. Scientific Journal of Rehabilitation Medicine. 2023; 11(6):864-877. [In Persion]
Kavanagh, S.,  Pallin, J.A,  Doherty, A.S,  Lazzarini, P.,  O'Keeffe1, L.,  M Buckley, C. Prevalence and incidence of peripheral neuropathy, peripheral artery disease, foot disease, and lower extremity amputation in people with diabetes in Ireland; a systematic review protocol. [version 2; peer review: 1 approved, 1 approved with reservations]. HRB Open Research(Health Research Board Ireland [CDA-2019-007]) 2024; .7(1).
Jafari, M.,  Ghanei Gheshlagh, R.,  Ebadi, A.,  Sharif Nia, H.,  Nassehi, A.,  Aslani, M.,  Parizad, N. PSYCHOMETRIC EVALUATION OF THE FARSI VERSION OF THE NOTTINGHAM ASSESSMENT OF FUNCTIONAL FOOT-CARE (FNAFF). Nursing and Midwifery Journal. 2023; 22 (3):250-259. [In Persion]