Model ramalan risko penyakit kardiovaskular dalam kalangan diabetes melitus jenis dua menggunakan pembelajaran mesin

Abstract

Penyakit kardiovaskular (PKV) merupakan penyebab mortaliti utama dalam kalangan pesakit diabetes melitus jenis 2 (T2DM). Peroksidasi lipid merupakan komponen yang menyumbang kepada tekanan oksidatif dan boleh merosakkan salur darah. Faktor risiko dan biopenanda yang konvensional seperti NT-proBNP sering gagal memberikan ramalan risiko yang menyeluruh kerana peningkatan paras NT-proBNP hanya dapat dikesan semasa kegagalan jantung berlaku. Kajian ini menerokai potensi dan kesesuaian penanda peroksidasi lipid iaitu, 4-hidroksinonenal (4HNE), Vitamin D dan feritin serum untuk mempertingkatkan ramalan risiko PKV dalam kalangan pesakit T2DM. Selain itu, kajian ini bertujuan untuk membangunkan dan mengesahkan sebuah model pembelajaran mesin yang menggabungkan biopenanda yang diuji bagi meningkatkan ketepatan ramalan risiko PKV. Kajian ini dijalankan di Hospital Canselor Tuanku Muhriz (HCTM) dan Institut Biologi Molekul Perubatan UKM (UMBI) di Kuala Lumpur. Sebanyak 225 subjek direkrut dan paras 4HNE, Vitamin D dan feritin serum diukur. Perbezaan antara kumpulan bagi 4-HNE adalah tidak signifikan (P=0.508). Walau bagaimanapun, paras Vitamin D (P=0.003) dan feritin serum (nilai P < 0.001) adalah lebih tinggi dalam kumpulan kardiovaskular diabetes. Selepas pengumpulan data, pelbagai algoritma pembelajaran mesin dilatih dan diuji menggunakan Scikit-Learn Python dan Aplikasi Pembelajaran Klasifikasi MATLAB. Prestasi model 4-HNE, Vitamin D dan feritin serum dibandingkan dengan model NTproBNP. Model lata yang menggunakan 4-HNE, dan feritin serum telah dipilih. Model optimum yang terpilih dalam kajian ini ialah model lata yang terdiri daripada ensembel Pokok-SVM-MLP (Ketepatan = 0.9821, Lengkung Kepersisan-panggil balik (PRC) = 0.9985) dan ensembel SVM. Model lata yang dibina dalam Python mencapai prestasi yang lebih baik berbanding dengan semua model MATLAB. Kajian ini juga membina sebuah antara muka pengguna grafik (GUI) untuk menerima data baru dan menggunakan model ramalan yang dilatih. Dalam kajian ini, kesesuaian biopenanda peroksidasi lipid telah diuji dan sebuah aplikasi telah dibina untuk menggunakan model yang dilatih. Walaupun begitu, pengesahan luaran model adalah penting untuk memastikan ketepatan model ramalan tersebut. Sebagai kesimpulan, pemahaman kepentingan peroksidasi lipid dalam perkembangan PKV dalam kalangan pesakit T2DM boleh digunakan untuk memperbaiki klasifikasi risiko dan ramalan dalam kalangan pesakit T2DM. Model pembelajaran mesin adalah berpotensi untuk mempertingkatkan proses membuat keputusan, dan menyumbang kepada pengesanan serta intervensi awal dalam kalangan populasi berisiko tinggi untuk mengurangkan beban PKV.