ಎರಡು ಸ್ವತಂತ್ರ ಚೀನೀ ಆಸ್ಪತ್ರೆ ಸಮೂಹಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಹೊಸ ಸಂಶೋಧನೆಯ ಪ್ರಕಾರ, ಟೈಪ್ 2 ಡಯಾಬಿಟಿಸ್ (T2D) ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಅಪಾಯವನ್ನು ಹೊಂದಿರುವ ಆಲ್ಕೊಹಾಲ್ಯುಕ್ತವಲ್ಲದ ಕೊಬ್ಬಿನ ಯಕೃತ್ತಿನ ಕಾಯಿಲೆ (NAFLD) ರೋಗಿಗಳನ್ನು ಗುರುತಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಸಂಶೋಧಕರು ಐದು ವಾಡಿಕೆಯಂತೆ ಲಭ್ಯವಿರುವ ಕ್ಲಿನಿಕಲ್ ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು ಮತ್ತು ಬಾಹ್ಯವಾಗಿ ಮೌಲ್ಯೀಕರಿಸಿದರು, ಸ್ವತಂತ್ರ ಮೌಲ್ಯೀಕರಣ ಸಮೂಹದಲ್ಲಿ 0.89 ರ ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ಕ್ಯಾರೆಕ್ಟಿಸ್ಟಿಕ್ ಕರ್ವ್ (AUC) ಅಡಿಯಲ್ಲಿ ಪ್ರದೇಶವನ್ನು ಸಾಧಿಸಿದರು. NAFLD ರೋಗಿಗಳಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಹೆಚ್ಚು ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಅಪಾಯದ ಮೌಲ್ಯಮಾಪನವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಎಂದು ಸಂಶೋಧನೆಗಳು ಸೂಚಿಸುತ್ತವೆ, ಆದಾಗ್ಯೂ ಕ್ಲಿನಿಕಲ್ ಅನುಷ್ಠಾನದ ಮೊದಲು ಮತ್ತಷ್ಟು ನಿರೀಕ್ಷಿತ ಮೌಲ್ಯೀಕರಣದ ಅಗತ್ಯವಿದೆ.
ಕೊಬ್ಬಿನ ಪಿತ್ತಜನಕಾಂಗದ ಕಾಯಿಲೆಯಲ್ಲಿ ಮಧುಮೇಹದ ಅಪಾಯವನ್ನು ಗುರುತಿಸುವುದು
NAFLD, ಮೆಟಬಾಲಿಕ್ ಡಿಸ್ಫಂಕ್ಷನ್-ಸಂಬಂಧಿತ ಸ್ಟೀಟೋಟಿಕ್ ಯಕೃತ್ತಿನ ಕಾಯಿಲೆಯ (MASLD) ಚೌಕಟ್ಟಿನೊಳಗೆ ಹೆಚ್ಚು ಚರ್ಚಿಸಲಾಗಿದೆ, ಇದು ಚಯಾಪಚಯ ಅಸಹಜತೆಗಳೊಂದಿಗೆ ನಿಕಟವಾಗಿ ಸಂಬಂಧಿಸಿದೆ ಮತ್ತು T2D ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಸಾಧ್ಯತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಮಧುಮೇಹವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಹೆಚ್ಚಿನ ಅಪಾಯದಲ್ಲಿರುವ ರೋಗಿಗಳನ್ನು ಗುರುತಿಸುವುದು ಹಿಂದಿನ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ತಡೆಗಟ್ಟುವ ಮಧ್ಯಸ್ಥಿಕೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
ಆದಾಗ್ಯೂ, NAFLD ಯೊಂದಿಗಿನ ಯಾವ ವ್ಯಕ್ತಿಗಳು ತರುವಾಯ T2D ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ಊಹಿಸುವುದು ಸವಾಲಾಗಿಯೇ ಉಳಿದಿದೆ, ವಿಶೇಷವಾಗಿ ಅನೇಕ ಚಯಾಪಚಯ ಮತ್ತು ಉರಿಯೂತದ ಅಂಶಗಳು ರೋಗದ ಅಪಾಯಕ್ಕೆ ಕೊಡುಗೆ ನೀಡಿದಾಗ.
ಯಂತ್ರ ಕಲಿಕೆಯು ಅಪಾಯದ ಶ್ರೇಣೀಕರಣವನ್ನು ಸುಧಾರಿಸಬಹುದೇ ಎಂದು ತನಿಖೆ ಮಾಡಲು, ಸಂಶೋಧಕರು ಚೀನಾದ ಎರಡು ತೃತೀಯ ಆಸ್ಪತ್ರೆಗಳಿಂದ ಹಿಸ್ಟೋಲಾಜಿಕಲ್ ದೃಢಪಡಿಸಿದ NAFLD ಹೊಂದಿರುವ ರೋಗಿಗಳನ್ನು ಹಿಂದಿನಿಂದ ವಿಶ್ಲೇಷಿಸಿದ್ದಾರೆ.
ಹಿಸ್ಟೋಲಾಜಿಕಲ್ ರೋಗನಿರ್ಣಯದ ದಿನಾಂಕವನ್ನು ಬೇಸ್‌ಲೈನ್‌ನಂತೆ ಬಳಸಲಾಯಿತು, ರೋಗಿಗಳು ತಮ್ಮ ಮೊದಲ ದಾಖಲಿತ T2D ರೋಗನಿರ್ಣಯ ಅಥವಾ ಅವರ ಕೊನೆಯ ಲಭ್ಯವಿರುವ ಕ್ಲಿನಿಕಲ್ ದಾಖಲೆಯವರೆಗೆ ಅನುಸರಿಸಿದರು.
ಸಂಶೋಧಕರು ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್, ಡಿಸಿಷನ್ ಟ್ರೀ, ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ, XGBoost, LightGBM, ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ, ಮತ್ತು ಕೃತಕ ನರಗಳ ಜಾಲ (ANN) ಸೇರಿದಂತೆ ಏಳು ಮುನ್ಸೂಚಕ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ.
ತಾರತಮ್ಯ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ, ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣವನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗಿದೆ.
ಐದು ಕ್ಲಿನಿಕಲ್ ಪ್ರಿಡಿಕ್ಟರ್‌ಗಳನ್ನು ಗುರುತಿಸಲಾಗಿದೆ
ಕನಿಷ್ಠ ಸಂಪೂರ್ಣ ಕುಗ್ಗುವಿಕೆ ಮತ್ತು ಆಯ್ಕೆ ಆಪರೇಟರ್ (LASSO) ಹಿಂಜರಿತವನ್ನು ಬಳಸಿಕೊಂಡು, ಸಂಶೋಧಕರು ನಂತರದ T2D ಅಭಿವೃದ್ಧಿಗೆ ಸಂಬಂಧಿಸಿದ ಐದು ಅಸ್ಥಿರಗಳನ್ನು ಗುರುತಿಸಿದ್ದಾರೆ.
ಇವುಗಳಲ್ಲಿ ಸೊಂಟದ ಸುತ್ತಳತೆ, ಉಪವಾಸ ಪ್ಲಾಸ್ಮಾ ಗ್ಲೂಕೋಸ್, ಟ್ರೈಗ್ಲಿಸರೈಡ್ ಮಟ್ಟಗಳು, ಮಧುಮೇಹದ ಕುಟುಂಬದ ಇತಿಹಾಸ ಮತ್ತು ನ್ಯೂಟ್ರೋಫಿಲ್-ಟು-ಲಿಂಫೋಸೈಟ್ ಅನುಪಾತ ಸೇರಿವೆ.
ಆಯ್ದ ಮುನ್ಸೂಚಕರು ಚಯಾಪಚಯ ಗುಣಲಕ್ಷಣಗಳು, ಆನುವಂಶಿಕ ಅಪಾಯ ಮತ್ತು ವ್ಯವಸ್ಥಿತ ಉರಿಯೂತದ ಗುರುತುಗಳ ಸಂಯೋಜನೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತಾರೆ.
ಉಪವಾಸ ಪ್ಲಾಸ್ಮಾ ಗ್ಲೂಕೋಸ್ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಗ್ಲೈಸೆಮಿಕ್ ಸ್ಥಿತಿಯ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಆದರೆ ಸೊಂಟದ ಸುತ್ತಳತೆ ಮತ್ತು ಟ್ರೈಗ್ಲಿಸರೈಡ್ ಮಟ್ಟಗಳು ಮಧುಮೇಹದ ಅಪಾಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಚಯಾಪಚಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.
ಕುಟುಂಬದ ಇತಿಹಾಸವು ಒಳಗಾಗುವಿಕೆಯ ಸ್ಥಾಪಿತ ಆಯಾಮವನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ, ಆದರೆ ನ್ಯೂಟ್ರೋಫಿಲ್-ಟು-ಲಿಂಫೋಸೈಟ್ ಅನುಪಾತವು ಉರಿಯೂತದ ಸ್ಥಿತಿಯ ಒಂದು ಪ್ರವೇಶಿಸಬಹುದಾದ ಅಳತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಮುಖ್ಯವಾಗಿ, ಎಲ್ಲಾ ಐದು ಅಸ್ಥಿರಗಳನ್ನು ವಾಡಿಕೆಯ ಕ್ಲಿನಿಕಲ್ ಮೌಲ್ಯಮಾಪನಗಳ ಮೂಲಕ ಪಡೆಯಬಹುದು, ವಿಶೇಷವಾದ ತನಿಖೆಗಳ ಅಗತ್ಯವಿರುವ ವಿಧಾನಗಳಿಗಿಂತ ಮಾದರಿಯನ್ನು ಹೆಚ್ಚು ಪ್ರವೇಶಿಸುವಂತೆ ಮಾಡುತ್ತದೆ.
ಸಂಪೂರ್ಣವಾಗಿ ಹೊಸ ಮಧುಮೇಹ ಮುನ್ಸೂಚಕಗಳನ್ನು ಗುರುತಿಸುವ ಬದಲು ಸ್ಥಾಪಿತ ಕ್ಲಿನಿಕಲ್ ವೇರಿಯಬಲ್‌ಗಳನ್ನು ಸಮಗ್ರ ಅಪಾಯದ ಮೌಲ್ಯಮಾಪನಕ್ಕೆ ಸಂಯೋಜಿಸುವಲ್ಲಿ ಮಾದರಿಯ ಸಂಭಾವ್ಯ ಮೌಲ್ಯವು ಅಡಗಿದೆ ಎಂದು ಸಂಶೋಧಕರು ಒತ್ತಿ ಹೇಳಿದರು.
XGBoost ಬಲವಾದ ಬಾಹ್ಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ
ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾದ ಏಳು ಅಲ್ಗಾರಿದಮ್‌ಗಳಲ್ಲಿ, ANN ಮಾದರಿಯು ಆಂತರಿಕ ಮೌಲ್ಯೀಕರಣ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಪ್ರಬಲವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸಿದೆ.
ಆದಾಗ್ಯೂ, ಸಂಶೋಧಕರು ಎಲ್ಲಾ ಏಳು ಮಾದರಿಗಳನ್ನು ಸ್ವತಂತ್ರ ಬಾಹ್ಯ ಸಮೂಹದಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದಾಗ, XGBoost ಅತ್ಯುತ್ತಮ ಒಟ್ಟಾರೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸಿತು.
XGBoost ಮಾದರಿಯು ತರಬೇತಿ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ 0.99 AUC ಮತ್ತು ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ ಸಮೂಹದಲ್ಲಿ 0.89 ಅನ್ನು ಸಾಧಿಸಿದೆ.
ತರಬೇತಿ ಮತ್ತು ಬಾಹ್ಯ ಊರ್ಜಿತಗೊಳಿಸುವಿಕೆಯ ಕಾರ್ಯಕ್ಷಮತೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಅಭಿವೃದ್ಧಿಯ ಸಮಯದಲ್ಲಿ ಅವರ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಅವಲಂಬಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಸ್ವತಂತ್ರ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ.
XGBoost ಅನ್ನು ಪ್ರಾಥಮಿಕವಾಗಿ ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ ಫಲಿತಾಂಶಗಳು, ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ನಿರ್ಧಾರ ಕರ್ವ್ ವಿಶ್ಲೇಷಣೆಯ ಆಧಾರದ ಮೇಲೆ ಅಂತಿಮ ಮಾದರಿಯಾಗಿ ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ.
ಕಾಕ್ಸ್ ಅನುಪಾತದ ಅಪಾಯಗಳ ಹಿಂಜರಿಕೆ, ಸಮಯ-ಅವಲಂಬಿತ ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ವಿಶಿಷ್ಟ ವಿಶ್ಲೇಷಣೆ, ಅನುಸರಣಾ-ಹೊಂದಾಣಿಕೆಯ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮತ್ತು ಮೂರು-ವರ್ಷದ ಹೆಗ್ಗುರುತು ವಿಶ್ಲೇಷಣೆ ಸೇರಿದಂತೆ ಅನುಸರಣಾ ಅವಧಿಯ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಪರಿಗಣಿಸಲು ಸಂಶೋಧಕರು ಹಲವಾರು ಸೂಕ್ಷ್ಮತೆಯ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ನಡೆಸಿದರು.
ಈ ವಿಶ್ಲೇಷಣೆಗಳು ಪ್ರಾಥಮಿಕ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಭೌತಿಕವಾಗಿ ಸ್ಥಿರವಾಗಿರುವ ಸಂಶೋಧನೆಗಳನ್ನು ಉತ್ಪಾದಿಸಿದವು, ಮಾದರಿಯ ಒಟ್ಟಾರೆ ಭವಿಷ್ಯಸೂಚಕ ಕಾರ್ಯಕ್ಷಮತೆಯ ದೃಢತೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
ವ್ಯಾಖ್ಯಾನವನ್ನು ಸುಧಾರಿಸಲು, ಸಂಶೋಧಕರು ಶೇಪ್ಲಿ ಸಂಯೋಜಕ ವಿವರಣೆಗಳನ್ನು (SHAP) ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು ವೈಯಕ್ತಿಕ ಅಸ್ಥಿರಗಳು ಭವಿಷ್ಯವಾಣಿಗಳಿಗೆ ಹೇಗೆ ಕೊಡುಗೆ ನೀಡುತ್ತವೆ ಎಂಬುದನ್ನು ನಿರ್ಣಯಿಸಿದರು.
ಇದು ಉಪವಾಸದ ಪ್ಲಾಸ್ಮಾ ಗ್ಲೂಕೋಸ್, ಸೊಂಟದ ಸುತ್ತಳತೆ, ಟ್ರೈಗ್ಲಿಸರೈಡ್‌ಗಳು, ಮಧುಮೇಹದ ಕುಟುಂಬದ ಇತಿಹಾಸ ಮತ್ತು ನ್ಯೂಟ್ರೋಫಿಲ್-ಟು-ಲಿಂಫೋಸೈಟ್ ಅನುಪಾತವನ್ನು ವೈಯಕ್ತಿಕ ಅಪಾಯದ ಅಂದಾಜುಗಳನ್ನು ನಿರ್ಧರಿಸುವಲ್ಲಿ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ದೃಢಪಡಿಸಿತು.
ಮುಂಚಿನ ಮಧುಮೇಹದ ಅಪಾಯದ ಶ್ರೇಣೀಕರಣದ ಸಂಭಾವ್ಯತೆ
ನಿಯತಕಾಲಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಕ್ಲಿನಿಕಲ್ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರುವ ಯಂತ್ರ-ಕಲಿಕೆ ಮಾದರಿಗಳು NAFLD ಯೊಂದಿಗಿನ ರೋಗಿಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ಸಂಶೋಧನೆಗಳು ಸೂಚಿಸುತ್ತವೆ, ಅವರು ಹತ್ತಿರದ ಮೆಟಾಬಾಲಿಕ್ ಮೇಲ್ವಿಚಾರಣೆಯಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಬಹುದು.
ಅಂತಹ ವಿಧಾನಗಳು ಹೆಚ್ಚು ಉದ್ದೇಶಿತ ತಡೆಗಟ್ಟುವ ತಂತ್ರಗಳನ್ನು ಸಮರ್ಥವಾಗಿ ಬೆಂಬಲಿಸಬಹುದು, ವಿಶೇಷವಾಗಿ ಬಹು ಚಯಾಪಚಯ ಅಪಾಯಕಾರಿ ಅಂಶಗಳ ರೋಗಿಗಳಲ್ಲಿ.
ಆದಾಗ್ಯೂ, ಸಂಶೋಧಕರು ಹಲವಾರು ಮಿತಿಗಳನ್ನು ಒತ್ತಿಹೇಳಿದರು.
ರೆಟ್ರೋಸ್ಪೆಕ್ಟಿವ್ ಅಧ್ಯಯನವು ಎರಡು ತೃತೀಯ ಆಸ್ಪತ್ರೆಗಳಿಂದ ಬಯಾಪ್ಸಿ-ದೃಢೀಕರಿಸಿದ NAFLD ರೋಗಿಗಳನ್ನು ಒಳಗೊಂಡಿತ್ತು, ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ರೋಗನಿರ್ಣಯ ಮಾಡಲಾದ ವಿಶಾಲ ಜನಸಂಖ್ಯೆಗೆ ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಸಂಭಾವ್ಯವಾಗಿ ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ.
ಇದಲ್ಲದೆ, ಮಾದರಿಯು ಒಂದು, ಮೂರು, ಅಥವಾ ಐದು ವರ್ಷಗಳಂತಹ ನಿಶ್ಚಿತ ಮಧ್ಯಂತರಗಳಲ್ಲಿ ಸಂಪೂರ್ಣ ಅಪಾಯದ ಅಂದಾಜುಗಳನ್ನು ಒದಗಿಸುವ ಬದಲು ಲಭ್ಯವಿರುವ ಅನುಸರಣಾ ಅವಧಿಯಲ್ಲಿ ಮಧುಮೇಹ ಸಂಭವಿಸುವಿಕೆಯನ್ನು ಊಹಿಸಿದೆ.
ಪರಿಣಾಮವಾಗಿ, ನಿರ್ದಿಷ್ಟ ಕಾಲಮಿತಿಯೊಳಗೆ ಮಧುಮೇಹದ ಬೆಳವಣಿಗೆಯನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸಬಹುದು ಎಂಬುದಕ್ಕೆ ಅದರ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪುರಾವೆಯಾಗಿ ಅರ್ಥೈಸಬಾರದು.
ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣವು ಭರವಸೆಯ ತಾರತಮ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಿದರೂ, ಪ್ರಾಯೋಗಿಕ ನಿರ್ಧಾರಗಳನ್ನು ಅಥವಾ ರೋಗಿಯ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸಲು ಮಾದರಿಯನ್ನು ಇನ್ನೂ ತೋರಿಸಲಾಗಿಲ್ಲ.
ಐದು ವಾಡಿಕೆಯಂತೆ ಲಭ್ಯವಿರುವ ಅಸ್ಥಿರಗಳ ಆಧಾರದ ಮೇಲೆ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ಯಂತ್ರ-ಕಲಿಕೆ ಚೌಕಟ್ಟು NAFLD ರೋಗಿಗಳಲ್ಲಿ ಮಧ್ಯಮ ಅವಧಿಯ ಮಧುಮೇಹ ಅಪಾಯದ ಶ್ರೇಣೀಕರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಎಂದು ಸಂಶೋಧಕರು ತೀರ್ಮಾನಿಸಿದ್ದಾರೆ.
ವಾಡಿಕೆಯ ಕ್ಲಿನಿಕಲ್ ಅಭ್ಯಾಸದಲ್ಲಿ ವಿಧಾನವನ್ನು ಸಂಯೋಜಿಸುವ ಮೊದಲು ಪ್ರಮಾಣಿತ ಅನುಸರಣಾ ಅವಧಿಗಳು ಮತ್ತು ಪೂರ್ವನಿರ್ಧರಿತ ಭವಿಷ್ಯ ಹಾರಿಜಾನ್‌ಗಳೊಂದಿಗೆ ಹೆಚ್ಚಿನ ನಿರೀಕ್ಷಿತ, ಮಲ್ಟಿಸೆಂಟರ್ ಅಧ್ಯಯನಗಳು ಅಗತ್ಯವಿದೆ.
ಉಲ್ಲೇಖ
ಲೀ, ಕೆ., ವು, ವೈ., ಕ್ಸಿಂಗ್, ವೈ ಮತ್ತು ಇತರರು. ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಹಿಸ್ಟೋಲಾಜಿಕಲ್ ದೃಢಪಡಿಸಿದ NAFLD ರೋಗಿಗಳಲ್ಲಿ ಘಟನೆಯ ಟೈಪ್ 2 ಡಯಾಬಿಟಿಸ್‌ಗೆ ಮಧ್ಯಮ-ಅವಧಿಯ ಅಪಾಯದ ಮುನ್ಸೂಚನೆ: ಎರಡು ಸಮೂಹಗಳಿಂದ ಒಳನೋಟಗಳು. ಡಯಾಬಿಟಾಲ್ ಮೆಟಾಬ್ ಸಿಂಡರ್ (2026)
