مرکز تحقیقات اورولوژی | Developing a nomogram model for predicting non-obstructive azoospermia using machine learning techniques

مرکز تحقیقات اورولوژی | Developing a nomogram model for predicting non-obstructive azoospermia using machine learning techniques
سایت دانشگاه | 12 شهریور 1405
لوگو

مرکز تحقیقات ارولوژی

دانشگاه علوم پزشکی تهران

Developing a nomogram model for predicting non-obstructive azoospermia using machine learning techniques

Screenshot (264)

هر روز یک مقاله، شنبه ۷ شهریور ۱۴۰۵

عنوان: Developing a nomogram model for predicting non-obstructive azoospermia using machine learning techniques

خلاصه: تشخیص افتراقی میان آزواسپرمی انسدادی (OA) و آزواسپرمی غیرانسدادی (NOA) یکی از چالش‌های بنیادین در ارولوژی باروری و مدیریت ناباروری مردان به شمار می‌رود. از آنجا که مسیرهای درمانی این دو وضعیت تفاوت چشمگیری با یکدیگر دارند، از بازسازی میکروسرجیکال و آسپیراسیون اسپرم در نوع انسدادی گرفته تا جراحی میکروتسه همراه با میکرواینجکشن در نوع غیرانسدادی، طبقه‌بندی دقیق و به‌موقع بیماران امری حیاتی است. با این حال، تفکیک قطعی این دو گروه به‌طور سنتی به بیوپسی‌های تشخیصی تهاجمی بیضه یا جراحی‌های اکتشافی وابسته بوده است؛ روش‌هایی که با خطرات جراحی، هزینه‌های بالا و محدودیت دسترسی در مراکز درمانی اولیه و مناطق کم‌برخوردار همراه‌اند.

در این مطالعه برای پر کردن این خلأ تشخیصی، یک روش مبتنی بر یادگیری ماشین پیشنهاد شده بود. مجموعه داده مورد استفاده برای توسعه و ارزیابی این روش ۳۵۲ داده بود. محققان از طریق رگرسیون لجستیک تک‌متغیره و چندمتغیره در کنار ارزیابی و مقایسه نه الگوریتم متمایز یادگیری ماشین، چهار پیش‌بین مستقل، غیرتهاجمی و معتبر را برای NOA شناسایی کردند: هورمون محرک فولیکول، اینهیبین B (INHB)، میانگین حجم بیضه و pH مایع منی. از نظر مکانیسم زیستی، افزایش سطح FSH و بالا بودن pH مایع منی همبستگی مثبتی با نارسایی ذاتی بیضه داشتند، در حالی که حجم بالاتر بیضه و حفظ سطح اینهیبین B به عنوان پیش‌بین‌های منفی (محافظت‌کننده در برابر NOA) عمل کردند.

نتایج مدل‌های یادگیری ماشین نشان داد که روش‌های مبتنی بر درخت‌های تصمیم‌گیری تقویت‌شده، به‌ویژه الگوریتم Gradient Boosting Decision Trees، با کسب AUC ۰.۹۷ بالاترین توان تفکیک را به نمایش گذاشتند. برای کاربردی‌سازی این یافته‌ها در محیط‌های بالینی، پژوهشگران این چهار متغیر کلیدی را در قالب یک مدل نوموگرام گرافیکی تجمیع کردند. این نوموگرام عملکرد تشخیصی فوق‌العاده‌ای را ثبت کرد و به ترتیب به AUC معادل ۰.۹۸ در مجموعه داده آموزشی و ۰.۹۷ در مجموعه داده اعتبارسنجی دست یافت. همچنین نمودارهای کالیبراسیون و تحلیل منحنی تصمیم نشان‌دهنده دقت بالا و سودمندی بالینی خالص این ابزار در طیف وسیعی از آستانه‌های تصمیم‌گیری بودند.

در مجموع، این پژوهش اثبات می‌کند که بهره‌گیری هوشمندانه از نشانگرهای متداول درون‌ریز، اولتراسونیک و پارامترهای پایه‌ای سمن می‌تواند بدون نیاز به بیوپسی تهاجمی اولیه، با دقت بسیار بالایی آزواسپرمی انسدادی را از غیرانسدادی متمایز سازد. اگرچه انجام مطالعات کوهورت چندمرکزی و آینده‌نگر بر روی جمعیت‌های نژادی و دموگرافیک متنوع‌تر برای اثبات تعمیم‌پذیری مدل ضروری است، اما این رویکرد پیش‌بینانه چارچوبی بسیار کاربردی، مقرون‌به‌صرفه و قابل تفسیر را جهت تریاژ تشخیصی، برنامه‌ریزی بهینه جراحی و مشاوره هدفمند به زوج‌های نابارور در کلینیک‌های اندرولوژی فراهم می‌آورد.

https://www.nature.com/articles/s41598-025-88387-5

 

کلمات کلیدی
مدیر سایت
تهیه کننده:

مدیر سایت

0 نظر برای این مطلب وجود دارد

ارسال نظر

نظر خود را وارد نمایید:

متن درون تصویر را در جعبه متن زیر وارد نمائید *
متن مورد نظر خود را جستجو کنید
تنظیمات پس زمینه