Tags
پیشبینی گسترش هماتوم اپیدورال در آسیب تروماتیک مغزی با بهره گیری از الگوریتم های یادگیری ماشین
Predicting Epidural Hematoma Expansion in Traumatic Brain Injury: A Machine Learning Approach
مؤلف اول:
دکتر محمد حسنپور (Dr. Mohammad Hasanpour)
جراح مغز و اعصاب و فلوشیپ نورواینترونشن
نام مجله:
The Neuroradiology Journa
سال انتشار: ۲۰۲۵
شناسه دیجیتال مقاله (DOI):
10.1177/19714009241303052
مشخصات انتشار: جلد ۳۸، شماره ۲، صفحات ۲۰۰ تا ۲۰۶
چکیده مقاله
مقدمه
آسیب تروماتیک مغزی (Traumatic Brain Injury یا TBI) یکی از مهمترین چالشهای سلامت عمومی در سراسر جهان به شمار میرود و از علل قابلتوجه ناتوانیهای طولانیمدت و مرگومیر محسوب میشود. یکی از عوارض جدی این آسیب، هماتوم اپیدورال (Epidural Hematoma یا EDH) است؛ وضعیتی که در اثر تجمع خون در فضای بین سطح داخلی استخوان جمجمه و سختشامه (Dura mater) ایجاد میشود. هماتوم اپیدورال از عوارض بالقوه تهدیدکننده حیات آسیبهای مغزی است و بسته به شرایط بالینی بیمار، ممکن است به مداخله درمانی فوری نیاز داشته باشد. این نوع خونریزی معمولاً در پی حوادث و وارد شدن ضربه مستقیم به سر رخ میدهد. یکی از مهمترین چالشها در مدیریت بیماران مبتلا به هماتوم اپیدورال، احتمال افزایش حجم خونریزی در فاصله زمانی کوتاه پس از آسیب است. گسترش هماتوم میتواند بهسرعت وضعیت بالینی بیمار را تحت تأثیر قرار دهد و خطر بروز عوارض عصبی جدی و حتی مرگ را افزایش دهد. ازاینرو، شناسایی زودهنگام بیمارانی که در معرض افزایش حجم هماتوم قرار دارند، اهمیت بالینی زیادی دارد.
در این زمینه، تصویربرداری سیتیاسکن (CT Scan) نقش مهمی در ارزیابی هماتوم اپیدورال و بررسی روند تغییرات آن ایفا میکند. مقایسه تصاویر سیتیاسکن اولیه با تصاویر پیگیری، امکان شناسایی تغییرات حجم هماتوم را فراهم میسازد. افزایش حجم خونریزی ممکن است ضرورت مداخله جراحی را مطرح کند؛ در مقابل، برخی هماتومها در تصویربرداریهای بعدی کاهش حجم پیدا میکنند و امکان مدیریت محافظهکارانه آنها وجود دارد. اگرچه مطالعات پیشین برخی عوامل بالینی و یافتههای رادیولوژیک مرتبط با تغییرات حجم هماتوم را بررسی کردهاند، پژوهشهای اختصاصی در زمینه پیشبینی تغییرات حجم هماتوم اپیدورال همچنان محدود هستند. این موضوع ضرورت توسعه روشهایی را که بتوانند احتمال گسترش این نوع خونریزی را بر اساس ویژگیهای بالینی و تصویربرداری بیماران ارزیابی کنند، برجسته میکند. بر همین اساس، پژوهش حاضر با هدف شناسایی عوامل پیشبینیکننده تغییر حجم هماتوم اپیدورال در بیماران مبتلا به آسیب تروماتیک مغزی و توسعه یک مدل پیشبینی مبتنی بر یادگیری ماشین (Machine Learning) انجام شد. در این مطالعه، پژوهشگران با ترکیب متغیرهای بالینی و یافتههای رادیولوژیک، امکان پیشبینی تغییرات حجم هماتوم و شناسایی عوامل مرتبط با افزایش یا کاهش آن را بررسی کردند.
فرایندهای پایش و تحلیل
در این پژوهش، پرونده بیماران مبتلا به هماتوم اپیدورال تروماتیک که طی سالهای ۲۰۱۹ تا ۲۰۲۱ به مراکز درمانی مراجعه کرده بودند، مورد بررسی قرار گرفت. دادههای مورد نیاز از تصاویر سیتیاسکن مغزی بیماران در بدو پذیرش و شش ساعت پس از تصویربرداری اولیه استخراج شد تا تغییرات احتمالی حجم هماتوم ارزیابی شود. بهمنظور بررسی و مقایسه نتایج، بیماران در سه گروه شامل کل جمعیت مورد مطالعه، بزرگسالان (۱۸ سال و بالاتر) و کودکان (زیر ۱۸ سال) طبقهبندی شدند. برای توسعه مدلهای پیشبینیکننده تغییرات حجم هماتوم، چهار الگوریتم یادگیری ماشین شامل رگرسیون لجستیک (Logistic Regression)، الگوریتم Random Forest، الگوریتم XGBoost و الگوریتم K-Nearest Neighbors (KNN) به کار گرفته شدند. بهمنظور آموزش و ارزیابی عملکرد این مدلها، مجموعه دادهها به دو بخش تقسیم شد؛ بهطوریکه ۸۰ درصد دادهها به آموزش مدلها و ۲۰ درصد باقیمانده به آزمون و ارزیابی عملکرد آنها اختصاص یافت.
یافته ها
نتایج این مطالعه نشان داد که مجموعهای از عوامل بالینی و یافتههای تصویربرداری، از جمله سن بیمار، حجم اولیه هماتوم، وجود علامت چرخشی (Swirl Sign)، حباب هوا درون هماتوم، کوفتگی مغزی، خونریزی گوش در سمت هماتوم، خونریزی زیرعنکبوتیه، محل قرارگیری هماتوم و وجود هماتوم خارجمحوری در سمت مقابل، با تغییرات حجم هماتوم اپیدورال ارتباط دارند. عملکرد مدلهای یادگیری ماشین ارزیابی عملکرد مدلها در مجموعه دادههای آزمون و بر اساس شاخص مساحت زیر منحنی مشخصه عملکرد گیرنده (AUROC) نشان داد که بهترین عملکرد در گروههای مختلف به الگوریتمهای زیر اختصاص داشت: - بزرگسالان: مدل Random Forest با مقدار AUROC برابر با ۸۲٫۴ درصد. - کودکان: مدل KNN با مقدار AUROC برابر با ۹۰ درصد. - کل بیماران: مدل رگرسیون لجستیک (Logistic Regression) با مقدار AUROC برابر با ۸۱٫۶ درصد. این نتایج نشان میدهند که عملکرد بهینه الگوریتمهای یادگیری ماشین در گروههای سنی مختلف یکسان نیست و انتخاب مدل مناسب میتواند به نوع جمعیت مورد بررسی بستگی داشته باشد.

