استفاده از روش یادگیری ماشین در تجزیه و تحلیل نقش گروههای غذایی در شناسایی و طبقه بندی بیماری کبد چرب غیر الکلی با تمرکز بر ایجاد یک مدل ساده غربالگری در شمال ایران، آمل
مجری طرح: دکتر بهاره امیرکلالی ، همکاران طرح: دکتر زینب برزگر، دکتر فرهاد زمانی، دکتر حسین اژدرکش، اسماعیل قلی زاده، منصوره معادی، دکتر نیما معتمد، دکتر مسعود رضا سهرابی، دکتر فهیمه صفرنژاد تمشکل، دکتر اعظم دوست محمدیان
در تحقیقات پزشکی اخیر، یادگیری ماشین به دلیل توانایی پیش‌بینی دقیق و مدل‌سازی پیچیده، مورد استقبال قرار گرفته است. هدف انجام پژوهش حاضر ایجاد یک الگوریتم یادگیری ماشین برای ارزیابی نقش گروههای غذایی در کنار اجزای سندرم متابولیک در پیش‌بینی کبد چرب غیر الکلی (NAFLD) در شمال ایران بود. الگوریتم XGBoost با دقت 0.72، ده متغیر تأثیرگذار در پیش‌بینی NAFLD را به این ترتیب شناسایی کرد: شاخص توده بدن، تری‌گلیسیرید سرم، قند خون ناشتا، سن، سطح HDL، گوجه‌فرنگی، فعالیت بدنی، سیب‌زمینی، فشار خون دیاستولیک و LDL. گوجه فرنگی و سیب زمینی (احتمالا به دلیل نحوه پخت و مصرف آن) ارتباطی متفاوت با نتایج مطالعات گذشته نشان می دادند. در بازه هایی از مصرف، گوجه فرنگی رابطه مثبت و سیب زمینی رابطه منفی باNAFLD داشتند. بر اساس نتایج این پژوهش، استفاده از روش‌های یادگیری ماشین برای بررسی عوامل مؤثر در بروز NAFLD و کشف روابط پیچیده میان آنها (برای مثال تاثیر نحوه پخت و مصرف مواد غذایی بر عملکرد آنها در پروسه ایجاد بیماری) می‌تواند کارایی تلاش‌ها برای پیشگیری و کنترل بیماری را در جمعیت‌های مختلف افزایش دهد.