مطالعهای طولی در نشریهٔ Medicine یک مسیر مدلسازی مبتنی بر یادگیری ماشین را برای برآورد نشانههای بلندمدت افسردگی در سالمندان مبتلا به بیماری قلبیعروقی یا پرفشارخونی آزموده است. مدل منتخب در یک دورهٔ زمانی جداگانه نیز عملکردی مشابه داشت، اما نویسندگان تأکید میکنند که هنوز برای استفادهٔ معمول بالینی به اعتبارسنجی مستقل و آیندهنگر نیاز است.
اعتبارسنجی زمانی بهجای تقسیم تصادفی ساده
دادهها از مطالعهٔ طولی سلامت و بازنشستگی چین و سالهای ۲۰۱۱ تا ۲۰۲۰ گرفته شد. گروه توسعه شامل ۵۴۸ نفر بود که از ۲۰۱۱ تا ۲۰۱۵ پیگیری شدند و گروه اعتبارسنجی زمانی، ۵۲۳ نفر متفاوت را در فاصلهٔ ۲۰۱۵ تا ۲۰۲۰ دربر میگرفت. این جداسازی زمانی از تقسیم تصادفی ساده سختگیرانهتر است، زیرا میسنجد الگویی که در یک دوره ساخته شده، در دورهٔ بعدی نیز پایدار میماند یا نه.
پژوهشگران با الگوریتم Boruta هفت پیشبین را انتخاب کردند، هفت روش یادگیری ماشین را با هم مقایسه کردند و برای تفسیر سهم متغیرها از مقادیر SHAP بهره گرفتند. دادههای گمشده نیز با روشی مبتنی بر جنگل تصادفی برآورد شدند. با وجود این مجموعهٔ الگوریتمی، رگرسیون لجستیک بهترین عملکرد کلی را نشان داد.
عملکرد مدل چقدر بود؟
مساحت زیر منحنی ROC در گروه توسعه ۰٫۸۴۴ با فاصلهٔ اطمینان ۹۵درصدی ۰٫۷۷۳ تا ۰٫۹۱۵ بود. همین شاخص در گروه اعتبارسنجی زمانی ۰٫۸۴۰ با فاصلهٔ اطمینان ۰٫۷۹۹ تا ۰٫۸۸۱ گزارش شد. نزدیکی این دو عدد نشانهای از پایداری زمانی در همین منبع داده است؛ نه تضمینی برای تعمیم به بیمارستان، شهر یا کشور دیگر.
مرز میان برآورد خطر و تشخیص
پیامد مطالعه «نشانههای افسردگی» بود، نه تشخیص قطعی اختلال افسردگی توسط روانپزشک. جمعیت پژوهش نیز به سالمندانی محدود بود که بیماری قلبیعروقی یا پرفشارخونی داشتند. بنابراین نمیتوان عملکرد گزارششده را به همهٔ سالمندان یا به تصمیمگیری درمانی تعمیم داد. همچنین بهترین مدل، رگرسیون لجستیک بود؛ یافتهای که یادآوری میکند پیچیدهترین الگوریتم همیشه بهترین گزینه نیست.
این پژوهش با جداسازی دورهٔ توسعه و اعتبارسنجی، یک امتیاز روششناختی مهم دارد. بااینحال، سود واقعی مدل فقط در مطالعهای آیندهنگر و مستقل روشن میشود: آیا استفاده از آن غربالگری را بهتر میکند، به مداخلهٔ بهموقع میانجامد و بدون افزایش برچسبزنی یا هشدار کاذب به سالمندان کمک میکند؟
منابع: رکورد و چکیدهٔ مقاله در PubMed؛ DOI: 10.1097/MD.0000000000050520.
