အိုင်အိုအဆုတ်ရောဂါများ (သို့) COPD နှင့် အဆုတ်ပလပ်စတစ်များကို ခွဲစိတ်လေ့လာခြင်းအပေါ် အခြေခံ၍ စက်သင်ယ

နိုင်ငံတကာ ဆေးဘက်ဆိုင်ရာ လေ့လာမှုတစ်ခုက တွေ့ရှိချက်သစ်ကို ပြသထားပြီး သက်ဆိုင်တဲ့ ရလဒ်တွေဟာ ရောဂါထိန်းချုပ်ရေး ကော့ပ်အတွက် အရေးပါတဲ့ စံနမူနာဖြစ်ပါတယ် AS နဲ့ အဆုတ်ရောဂါ (PD) တို့ရဲ့ အပြန်အလှန်ကျွမ်းကျင်မှုကို လျော့နည်းစေခြင်းနဲ့ ရောဂါလက္ခဏာတွေကို ပိုမိုမြှင့်တင်ပေးခြင်းတို့နှင့် ၎င်းတို့၏ အရဲစွန့်ရာ အကြောင်းရင်းများကို အသိအမှတ်ပြုရန် မလုံလောက်ပါ။ ဒီလေ့လာမှုက ကိုယ်ခံအား ဆက်စပ်ဆဲလ်များ နှင့် ကိုယ်ခံစွမ်းအင် ညွှန်ကြားသူ လိပ်ပြာတွေအပေါ် အခြေခံထားတဲ့ ML ပုံစံပေါ် မူတည်၍ အားကောင်းသော ဆီးချိုရောင်ခြည်နဲ့ အဆစ်ရောဂါတွေရဲ့ ပူးပေါင်းလူနာ ဖြစ်ပွားမှုတွေကို သိမြင်နိုင်အောင် ပြုလုပ်ခဲ့ပြီး ဆုံးဖြတ်ချက် ချိုးပင်၊ ကျပန်းတော၊ XGBoost ကို ထောက်ပံ့ပေးတဲ့ ဗက်ထရီစက် (SVMs) တွေပါဝင်သည့် စက်သင်ယူမှု algorithm လေးမျိုးကို ဖွံ့ဖြိုးတိုးတက်ပြီး အကဲဖြတ်ခဲ့ပါတယ်။ ဤအယ်လ်ဂိုရစ်သမ်များသည် AS နှင့် AS+PD ကိုခွဲခြားရန် အသုံးပြုခဲ့သည်။ အဆုတ်ပမာဏများ (PN) နဲ့ နာတာရှည် ပိတ်ဆို့မှုရှိသော အဆုတ်ရောဂါ (COPD) တို့အတွက် အစိတ်အပိုင်းခွဲခြမ်းချက်များကို Sensitivity Analysis အတွက် သုံးပြီး မရှင်းလင်းသေးသည့် ဒေတာကိုသုံးသည်။ LASSO အညွှန်းက အသက်ကို မှတ်မိစေတဲ့ နျူထရွန် အမှုန်များ (IgG), ESR, CRP, NLR၊ PNR နှင့် PIV တို့ကို အဓိက ကြိုတင်ခန့်မှန်းမှု ကိန်းရှင်တွေအဖြစ် သတ်မှတ်ပေးပါတယ်။ စုစုပေါင်းလူဦးရေထဲမှာ SWM မော်ဒယ်လ်တွေဟာ အထင်ကြီးဆုံး ပျံ့နှံ့နိုင်စွမ်းနဲ့ ခိုင်မာမှုကို ဆန့်ကျင်နိုင်စွမ်းရှိပြီး Random Forest နဲ့ XGBoost တွေဟာ ခိုင်မာမှုနဲ့ ကိုက်ညီမှုရဲ့ တိုက်ရိုက်သက်သေခံချက်ဖြစ်တယ်လို့ သိရပါတယ်။ AS+PN နှင့် AS+COPD အဆုတ်ပြဿနာများရှိသူများတွင် တိကျသော ကိုယ်ခံအားနှင့်စပ်လျဉ်းသည့် ဆဲလ်များ၊ အထူးသဖြင့် အဖြူရောင်ဆဲလ်များ (IgG, NLR နှင့် PI) ကို ပြသထားသည်။ ML ပုံစံလေးမျိုးထဲမှ SVM သည် ယေဘုယျဖြစ်ထွန်းမှုအကောင်းဆုံး ဖြစ်ပေါ်ခဲ့ပြီး XGBoost သည် PN နဲ့ COPD အသွင်ခွဲ၌ အလွန်မြင့်မားစွာ လုပ်ဆောင်ခဲ့သည်။ နိုင်ငံတကာ အများပြည်သူသိရှိထားသော သုတေသနထုတ်ပြန်ချက်များကို အခြေခံ၍ HealthCop ကို ရည်ညွှန်းပြီး ဆေးကုသမှု အကြံပြုခြင်းမဟုတ်ကြောင်း ရှင်းပြရန် လိုအပ်ပါသည်။