نیورل نیٹ ورکس کا استعمال کرتے ہوئے خون کے نمونوں سے گردے کی دائمی بیماری کا پتہ لگانا

مزید معلومات کے لیے:Ali.ma@wecistanche.com

محمد غسان لطیف*، راجسواران لوگیشوران، اور نور الحنظہ مہتر

ایشیا پیسیفک یونیورسٹی آف ٹیکنالوجی اینڈ انوویشن، بکیت جلیل، 57000 کوالالمپور، ملائیشیا

*متعلقہ مصنف کا ای میل: TP047492@mail.apu.edu.my،

خلاصہ

یہ مقالہ خود بخود پتہ لگانے کے لیے مصنوعی عصبی نیٹ ورک کا طریقہ تجویز کرتا ہے۔دائمی گردے کی بیماریمریضوں سے لیے گئے سیال کے نمونوں کے ذریعے۔ اس طرح کے نظام کو تیار کرنے کی دلیل کے ساتھ ساتھ مریضوں اور طبی صنعت کو ہونے والے ممکنہ فوائد بھی بتائے گئے ہیں۔ اسی طرح کے نظام صنعت میں اور تشخیص کے لیے تجویز کیے گئے ہیں۔دائمی گردے کی بیماریدوسرے طریقوں جیسے کہ درجہ بندی الگورتھم کے ذریعے دریافت کیا جاتا ہے۔ عصبی نیٹ ورک کو تربیت دینے کے لیے ایک ڈیٹاسیٹ اکٹھا کیا جاتا ہے اور اس کی خصوصیات کا تجزیہ کیا جاتا ہے، نیز نیورل نیٹ ورک کی ترقی میں استعمال کیے جانے والے طریقہ کار اور ٹولز۔

انڈیکس کی شرائط. مصنوعیاعصابی نیٹ ورکسطبی تشخیص، ڈیٹا کا تجزیہ،دائمی گردے کی بیماری(CKD)۔

1. تعارف

ایک اندازے کے مطابق ہر 10 میں سے 1 بالغ گردے کی کسی نہ کسی شکل میں نقصان کا شکار ہوتا ہے، جس میں لاکھوں افراد ہر سال گردے کی پیچیدگیوں سے مر جاتے ہیں۔دائمی گردے کی بیماری(CKD) [1]۔ گلوبل برڈن آف ڈیزیز اسٹڈی میں CKD کو 1990 میں دنیا بھر میں ہونے والی اموات کی کل تعداد کی وجوہات کی فہرست میں 27 ویں نمبر پر رکھا گیا تھا، لیکن 2010 میں یہ 18 ویں نمبر پر پہنچ گیا - فہرست کی درجہ بندی کی ایک ڈگری اوپر کی حرکت HIV اور AIDS کے بعد دوسرے نمبر پر ہے۔ سی کے ڈی (دائمی گردے کی بیماری)انتہائی نقصان دہ اور لاعلاج ہے، لیکن اگر جلد پکڑا جائے تو اس کی ترقی کو دواؤں اور مناسب خوراک کے ذریعے روکا جا سکتا ہے۔

تاہم، ابتدائی مراحل میں ظاہری طور پر نظر آنے والی انتباہی علامات کی کمی کی وجہ سے بیماری کو جلد پکڑنا مشکل ہے۔ اس لیے، جب تک کہ کسی کو ایسی دوسری حالتیں نہ ہوں جو اسے گردے کے نقصان کا زیادہ شکار بناتی ہوں، اگر وہ شخص بہت محتاط ہے اور باقاعدگی سے پورے جسم کا چیک اپ کرتا ہے، یا اگر اس نے کسی اور وجہ سے خون یا پیشاب کا ٹیسٹ لیا اور اتفاق سے CKD بھی پایا، عام طور پر CKD(دائمی گردے کی بیماری) یہ صرف وسط سے دیر کے مراحل میں پایا جاتا ہے۔

سی کے ڈی(دائمی گردے کی بیماری) اس بات کا تعین کیا جاتا ہے کہ جب تین ماہ سے زائد عرصے تک گردے اپنے مطلوبہ افعال کو مؤثر طریقے سے انجام دینے سے قاصر رہتے ہیں، جیسے کہ فضلہ اور اضافی اشیاء کے خون کو صاف کرنا اور بلڈ پریشر کو کنٹرول کرنے میں مدد کرنا [2]۔ یہ مریض کے جسم میں فضلہ کی مصنوعات کے جمع ہونے کا باعث بن سکتا ہے، جس سے ٹخنوں میں سوجن اور پھولنا، بے خوابی، سانس کی قلت اور کمزوری ہو سکتی ہے۔ جب تک ان علامات کا مشاہدہ کیا جاتا ہے، تب تک بہت دیر ہو چکی ہوتی ہے۔ ابتدائی CKD کوئی ظاہری علامات یا علامات نہیں دکھاتا ہے، بعض اوقات یہاں تک کہ اس وقت تک کہ شخص پہلے ہی اپنے گردے کے افعال کا 90 فیصد کھو چکا ہوتا ہے [3]۔

CKD کی تشخیص کے موجودہ طریقے(دائمی گردے کی بیماری) خون میں سیرم کریٹینائن کی پیمائش کے نتائج، خون میں گلوکوز کی سطح کو یہ دیکھنے کے لیے کہ آیا مریض ذیابیطس کا شکار ہے (کیونکہ ذیابیطس کے مریضوں میں سی کے ڈی سے متاثر ہونے کی وجہ بہت زیادہ ہوتی ہے)، نیز البومن کی پیمائش، یا اس میں پروٹین کی موجودگی پیشاب، جو صحت مند گردوں میں فلٹر ہو جائے گا۔

تاہم، ان میں عام طور پر کریٹینائن کی سطح کے ساتھ ساتھ دیگر معیارات جیسے ہیماتوریا، پیدائشی خرابی وغیرہ کی تین ماہ کی نگرانی کی ضرورت ہوتی ہے۔ یو ایس نیشنل انسٹی ٹیوٹ آف ذیابیطس اینڈ ڈائجسٹو اینڈ کڈنی ڈیزیزز (NIDDK) کے مطابق، تازہ ترین تحقیق بتاتی ہے کہ ایک سٹیجنگ /درجہ بندی کا نظام اپنی پیشین گوئیوں میں زیادہ درستگی کے ساتھ مریضوں کے ڈیٹا کا تجزیہ کرنے سے CKD کے خطرے کی نشاندہی کرتا ہے، اس کے لیے متعدد عوامل کی ضرورت ہوتی ہے اور نہ صرف eGFR، کریٹینائن یا البومین کی سطح، بلکہ تینوں، عمر، اور ذیابیطس کی حیثیت [4]۔ لہٰذا، اس پروجیکٹ کا مقصد مریضوں کے ڈیٹا کے ایک جیسے سیٹ کو متعدد خصوصیات کے ساتھ استعمال کرنا ہے تاکہ اعصابی نیٹ ورک کو ایسے نمونوں کی شناخت کرنے کے قابل بنایا جا سکے جو CKD کی موجودگی کی نشاندہی کرتے ہیں اور بائنری درجہ بندی کرتے ہیں۔ CKD کی جانچ کا عمل(دائمی گردے کی بیماری) اور اس بات کا تعین کرنے کے لیے کئی مہینوں کے انتظار کے وقت کو کم کریں کہ آیا مسئلہ دائمی ہے، صرف ایک خون کے ٹیسٹ کے نتائج اور دوسرے مشاہدات اور کیے گئے/ لیے گئے نمونوں کا استعمال کرتے ہوئے، کسی ایک عنصر کی بجائے متعدد عوامل پر مبنی تشخیص پر زیادہ اعتماد کے ساتھ، جو بیرونی عوامل کی وجہ سے باہر ہونے کے زیادہ امکانات ہوں گے۔ یہ خاص طور پر اہم ہے کیونکہ CKD کی کوئی بھی ترقی ناقابل واپسی ہے اور اس لیے یہ مریضوں کے بہترین مفاد میں ہے کہ اس کی فوری اور درست تشخیص کی جائے تاکہ علاج شروع کیا جا سکے اور نقصان کو فوری طور پر کم کرنے کے لیے مناسب اقدامات کیے جائیں۔

نامیاتی کے لیے کلک کریں۔دائمی گردے کی بیماری کے علاج کے لئے Cistanche

2. ادب کا جائزہ

2.1 ڈومین ریسرچ

طبی تشخیص اور فیصلہ سازی ایک اعلی ترجیحی ہائی رسک فیلڈ ہے، درست تشخیص کرنا مریضوں کی صحت کے لیے بالکل اہم ہے۔ مصنوعیاعصابی نیٹ ورکس(ANNs) اور دیگر مشین لرننگ تکنیکوں کو بیماریوں کی تشخیص کے معاملات کے لیے تیزی سے استعمال کیا جا رہا ہے، جس میں درستگی کی امید افزا سطح ہے۔

الشیا نے ANNs کے دو واقعات پیش کیے جو کہ (1) شدید ورم گردہ کی بیماری کی تشخیص کے لیے استعمال کیے جاتے ہیں، جو اس وقت ہوتا ہے جب گردے اچانک سوجن ہو جاتے ہیں اور اگر علاج نہ کیا جائے تو گردے فیل ہو جاتے ہیں، اسی طرح (2) دل کی بیماری [5]۔ فیڈ فارورڈ بیک پروپیگیشن کا استعمال کیا گیا، شدید ورم گردہ کے ماڈل میں 99 فیصد اور دل کی بیماری کی تشخیص میں درستگی کی شرح 95 فیصد بتائی گئی۔ پہلے کے ماڈل میں 6 ان پٹ، 20 پوشیدہ نیوران، 2 پرتیں تھیں، اور لیونبرگ-مارکوارڈٹ بیک پروپیگیشن کو تربیتی الگورتھم کے طور پر استعمال کیا گیا، جس میں اوسط مربع غلطی (MSE) کی بہتری پر مبنی تربیت تھی۔ مؤخر الذکر نیٹ ورک نے 2 پرتیں، 22 ان پٹ، 20 چھپے ہوئے نیورونز کا استعمال کیا جس میں دوسرے عوامل پچھلے جیسے ہی تھے۔

اسٹر اور ڈوبنیکر نے ANN اور آسان لکیری امتیازی طریقوں کے ساتھ پانچ مختلف طبی ڈیٹا بیس (کورونری شریان کی بیماری، چھاتی کا کینسر، ہیپاٹائٹس، پیما انڈینز ذیابیطس، اور دل کی بیماری) کا تجربہ کیا۔ کارکردگی نسبتاً یکساں تھی، جس کا مطلب ہے، انہوں نے دعویٰ کیا کہ اعداد و شمار سادہ تھے، اقدار آزاد صفات ہونے کے ساتھ۔ اس طرح، وہ دعوی کرتے ہیں کہ پیچیدہ درجہ بندی کے نظام یا ANN طبی تشخیص میں غیر ضروری ہیں، کیونکہ لکیری امتیازی اور Naïve Bayes طریقوں کے لیے بھی نتائج زیادہ ہیں۔ تاہم، یہ واضح رہے کہ انہوں نے پہلے سے طے شدہ کنفیگریشن کے ساتھ طریقوں کا تجربہ کیا اور کوئی ٹھیک ٹیوننگ نہیں کی، اور جیسا کہ وہ خود تسلیم کرتے ہیں کہ مریضوں کی تشخیص میں چند فیصد غلطیوں کا فائدہ بھی مقداری طور پر اتنا ہی ضروری ہے جتنا کہ سینکڑوں ہو سکتا ہے۔ ہزاروں لوگوں کی. یہ پہلے کا مطالعہ تھا اور اس کے بعد ANNs میں نمایاں اضافہ ہوا ہے، خاص طور پر گہری تعلیم کے ساتھ۔ تاہم، اے این این کے ساتھ ایک مستقل مسئلہ شفافیت کا فقدان ہے – یہ دیکھنے سے قاصر ہے کہ اے این این نے جو فیصلہ کیا ہے وہ کیسے کیا اور اس فیصلے کی کیا اہمیت ہے۔ مریض کو یقین نہیں آئے گا اگر ڈاکٹر کو یہ معلوم نہ ہو کہ وہ صرف اے این این کے نسخے پر عمل کرکے مریض کو مخصوص دوا اور علاج کیوں دے رہے ہیں۔ وضاحت کی کمی کا مطلب یہ بھی ہے کہ انسانی ڈاکٹروں کو اندھیرے میں چھوڑ دیا گیا ہے اور وہ اے این این کے فیصلوں سے سیکھ نہیں سکتے۔

لیو وغیرہ۔ اے این این [7] جیسی گہری سیکھنے کی تکنیکوں کے مقابلے میں صحت کی دیکھ بھال کرنے والے پیشہ ور افراد کی درستگی کو جانچنے کا کام انجام دیا۔ ممکنہ حد تک بڑا ڈیٹاسیٹ حاصل کرنے کے لیے، انہوں نے 1 جنوری 2012 سے 6 جون 2019 تک کے مطالعے پر، گہری سیکھنے کے ماڈلز کی کسی بھی بیماری کے لیے تشخیصی کارکردگی کا موازنہ کرنے کے لیے، میٹا تجزیہ کرنے کے لیے موجودہ مضامین اور تجزیوں کو اسکور کیا۔ صحت کی دیکھ بھال کرنے والے پیشہ ور افراد کے مقابلے میں۔ ان مطالعات میں سے 14 کی کارکردگی کے موازنہ نے صحت کی دیکھ بھال کے پیشہ ور افراد کے لیے بالترتیب 86.4 فیصد اور 90.5 فیصد کے ساتھ، گہری سیکھنے کے ماڈلز کے لیے 87 فیصد پولڈ حساسیت اور 92.5 فیصد مخصوصیت ظاہر کی۔ اگرچہ نتائج یکساں ہیں، تاہم گہرے سیکھنے کے ماڈلز نے مجموعی طور پر بہتر کارکردگی کا مظاہرہ کیا چاہے معمولی سے ہو، اور فیصد میں کوئی معمولی اضافہ اب بھی ان بے شمار جانوں کی عکاسی کرتا ہے جو بچائی گئی ہیں یا اس اعداد و شمار کو صحت کی ایسی حالتوں سے متاثر ہونے والوں کی مقداری قدر پر بڑھاتے ہوئے بہتر کی گئی ہیں۔

2.2 اسی طرح کے نظام

سی کے ڈی کی تشخیص کے بارے میں بہت سے مضامین موجود ہیں۔(دائمی گردے کی بیماری) اے این این یا دیگر طریقے استعمال کرنا، جیسے کہ سپورٹ ویکٹر مشین (SVM) اور Naïve Bayes کا استعمال۔

کرپلانی وغیرہ۔ ان پٹ پرت میں 18 پیرامیٹرز کا استعمال کرتے ہوئے CKD کی پیشن گوئی کرنے کے لیے ڈیپ نیورل نیٹ ورک کا استعمال کیا، حالانکہ کاغذ میں چھپی ہوئی پرت کے نیوران، پرتوں اور نیٹ ورک کے فن تعمیر کی تعداد کا ذکر نہیں کیا گیا تھا [8]۔ ڈیپ نیورل نیٹ ورک کی حقیقی مثبت شرح 95.2 فیصد تھی، اور حقیقی منفی شرح 100 فیصد تھی، جس کا موازنہ دیگر درجہ بندی کے طریقوں، جیسے لاجسٹک، رینڈم فاریسٹ، اڈابوسٹ، ایس وی ایم، اور نییو بیز سے بھی کیا گیا تھا۔ اس مقالے میں دعویٰ کیا گیا ہے کہ ان کے ڈیپ نیورل نیٹ ورک میں اوپر روشنی ڈالے گئے تمام طریقوں میں سب سے زیادہ درستگی تھی۔ تاہم، مقالے میں دیے گئے کارکردگی کے نتائج کے مزید تجزیہ پر، اگرچہ درجہ بندی کے دیگر تمام طریقوں سے وہی حقیقی منفی شرح حاصل کی گئی تھی، لیکن Naïve Bayes اور Random Forest، نسبتاً زیادہ آسان الگورتھم، نے کارکردگی کا مظاہرہ کیا اور ANN کے ساتھ 95.2 فیصد حقیقی مثبت درستگی. مزید، Adaboost اور SVM دونوں نے 96.2 فیصد کی حقیقی مثبت درستگی کی شرح حاصل کی، جو ڈیپ نیورل نیٹ ورک سے زیادہ ہے۔ فراہم کردہ ایک اور جدول میں، Naïve Bayes اور Deep Neural Network کو 97.7679 فیصد کی درستگی کے ساتھ دکھایا گیا، جب کہ Adaboost اور SVM دونوں میں 98.2143 فیصد درستگی تھی اور Random Forest میں 99.1071 فیصد درستگی تھی۔ اس طرح، ان کا یہ نتیجہ کہ مقابلے کے تمام ماڈلز میں سے، ڈیپ نیورل نیٹ ورک سب سے بہتر تھا ان کے پیپر میں فراہم کردہ اعداد و شمار کے مطابق غلط معلوم ہوتا ہے، کیونکہ نہ صرف یہ سست اور زیادہ استعمال ہونے والے کمپیوٹیشنل وسائل میں ہے، Naïve Bayes نے Adaboost کے ساتھ یکساں کارکردگی کا مظاہرہ کیا۔ ، SVM اور رینڈم فارسٹ ایک اعلی درستگی حاصل کر رہے ہیں۔

احمد وغیرہ۔ SVM کا استعمال ہنگامی حالات کے لیے ایک معاون فیصلہ سازی کا آلہ تجویز کرنے کے لیے، 5 ان پٹ کا استعمال کرتے ہوئے: بلڈ پریشر، سیرم کریٹینائن، پیکڈ سیل والیوم، ہائی بلڈ پریشر کا عنصر، اور خون کی کمی کا عنصر [9]۔ SVM کو R پروگرامنگ زبان میں کوڈ کیا گیا تھا، جس کی درستگی 98.34 فیصد تھی۔ انہوں نے اپنے مقالے میں یہ بھی نتیجہ اخذ کیا کہ اوصاف کی اہمیت کا تعلق گنی میں اوسط کمی، یا نوڈ کی ناپاکی میں متغیر کی کل کمی کے اوسط سے ہے، جس کی قدر زیادہ ہونے کے ساتھ اوصاف کا کردار زیادہ ہوتا ہے۔ اس کا استعمال کرتے ہوئے، انہوں نے پایا کہ پیکڈ سیل کا حجم CKD کی تشخیص میں سب سے اہم وصف ہے۔(دائمی گردے کی بیماری) ڈیٹا سے. چونکہ اب صرف سیرم کریٹینائن کی سطح CKD کی تشخیص کے طریقوں میں سے ایک ہے، اس سے کچھ غیر یقینی صورتحال پیدا ہوتی ہے کہ آیا اس کی بجائے پیکڈ سیل والیوم ویلیوز پر انحصار کرنا زیادہ درست ہو سکتا ہے۔

رویندر وغیرہ۔ درجہ بندی کرنے اور CKD کی شناخت کرنے کے لیے SVM کا بھی استعمال کیا۔(دائمی گردے کی بیماری) مریض [10]۔ ان پٹ کی قدروں کو ان کے درمیان قریبی تعلق کی بنیاد پر چار مختلف صورتوں میں تقسیم کیا گیا تھا، اس کے ساتھ:

کیس 1 -بلڈ پریشر، مخصوص کشش ثقل، اور سیرم کریٹینائن؛

کیس 2 -البومین، شوگر، خون میں گلوکوز بے ترتیب، اور ہیموگلوبن؛

کیس 3 -پیکڈ سیل والیوم، سفید خون کے خلیے کی گنتی، اور خون کے سرخ خلیوں کی گنتی؛

کیس 4 -البومین، شوگر، خون میں گلوکوز بے ترتیب، سیرم کریٹینائن، سوڈیم، پوٹاشیم، اور ہیموگلوبن۔

چار کیسز میں سے ہر ایک کا الگ الگ SVM درجہ بندی کے ساتھ دوسرے عوامل کے بغیر تجربہ کیا گیا، اور یہ پایا گیا کہ کیس 2 کی سب سے زیادہ درستگی 93.75 فیصد تھی۔ تاہم، درستگی پہلے کے دیگر مضامین سے کم ہے، جس میں زیادہ تعداد میں ان پٹ استعمال کیے گئے تھے۔ لہٰذا، جبکہ البومین، شوگر، خون میں گلوکوز بے ترتیب اور ہیموگلوبن اپنے طور پر اچھے نتائج پیدا کرتے نظر آتے ہیں، دوسرے آدانوں نے درستگی میں اضافے کا مظاہرہ کیا ہے جب اس کے ساتھ شامل کیا گیا ہے۔

سالکین اور اسٹینکووچ نے رینڈم فاریسٹ کا استعمال کیا اور 99.3 فیصد درستگی اور 0.1084 روٹ مین اسکوائر ایرر (RMSE) 24 ان پٹ کا استعمال کرتے ہوئے حاصل کیا [11]۔ تاہم، اس کے بعد انہوں نے اصل 24 میں سے 5 خصوصیات کو منتخب کرنے کے لیے مختلف طریقوں جیسے کہ مشین لرننگ ریپر طریقہ اور LASSO ریگولرائزیشن کا استعمال کیا:

^.مخصوص کشش ثقل،^.البومین^.ذیابیطس mellitus،^.ہائی بلڈ پریشر، اور^.ہیموگلوبن

Cistanche گردے کے کام کو بہتر بنا سکتا ہے۔

اس مقالے میں لاگت سے موثر خود کار طریقے سے پتہ لگانے کے طریقہ پر روشنی ڈالی گئی، اور اس لیے درستگی کو ہر ممکن حد تک سطح پر رکھتے ہوئے درکار عوامل کی تعداد کو کم کرنے سے کم ٹیسٹوں کی ضرورت اور ٹیسٹوں کے نتائج حاصل کرنے میں لگنے والے وقت کی وجہ سے لاگت کی تاثیر میں اضافہ ہوگا۔ ان کا اندازہ ہے کہ 2016 امریکی افراط زر کی شرح اور طبی ٹیسٹ کی قیمتوں کے ساتھ، مریض کے ٹیسٹ کے لیے USD 45.05 سے زیادہ نہیں لگے گا۔ 5 خصوصیات کے ساتھ، انہوں نے 0.11 RMSE کے ساتھ 98 فیصد درستگی حاصل کی، اصل 24 خصوصیات میں سے 19 کو مسترد کرنے کے بعد صرف 1.3 فیصد درستگی کی کمی واقع ہوئی۔

وجیارانی اور دھیانند نے گردے کی بیماری کے مریضوں کے ڈیٹاسیٹ پر SVM اور ANN (فیڈ فارورڈ کے ساتھ بیک پروپیگیشن) کی کارکردگی کا موازنہ کرنے کے لیے MATLAB کا استعمال کیا [12]۔ ANN کی درستگی کی درجہ بندی 87.70 فیصد تھی، SVM کی درستگی 76.32 فیصد تھی۔ تاہم، SVM نے 3.22 سیکنڈ کا وقت لیا جبکہ ANN نے اس وقت 7.26 سیکنڈ میں تقریباً دوگنا وقت لیا۔ درستگی پہلے ذکر کردہ سسٹمز سے نمایاں طور پر نیچے تھی۔ تاہم، اس نظام میں بھی CKD کی بائنری درجہ بندی سے زیادہ تھی۔(دائمی گردے کی بیماری) یا صحت مند گردے، اس کے بجائے، اسے 5 مختلف صورتوں میں درجہ بندی کیا گیا تھا: نارمل، ایکیوٹ نیفریٹک سنڈروم، سی کے ڈی، ایکیوٹ رینل فیلور، یا دائمی گلومیرولونفرائٹس، جس نے کام کو مزید پیچیدہ بنا دیا۔

2.3 جائزہ کا خلاصہ

لیو ایٹ ال کا مقالہ۔ صحت کی دیکھ بھال کرنے والے پیشہ ور افراد کی تربیت یافتہ آنکھ کو تبدیل کرنے کے لیے ANN اور دیگر مشین لرننگ متبادل کی عملداری کو ظاہر کرتا ہے، محض زیادہ درست ہونے کے ذریعے۔ تاہم جیسا کہ Šter اور Dobnikar نے روشنی ڈالی، ANN کے فیصلوں کی شفافیت کے ساتھ ایک مسئلہ ہے، کیونکہ یہ شناخت کرنے کا کوئی طریقہ نہیں ہے کہ اس فیصلے میں کون سا عنصر شامل ہے، اور کتنا بھاری ہے۔ عوامل کی شناخت اے این این کے باہر ڈیٹا مائننگ اور تجزیہ کے مختلف طریقوں کے ذریعے کی جا سکتی ہے جیسا کہ سی کے ڈی پر سالکین اور اسٹینکووچ کے طریقہ کار کی طرح ہے۔(دائمی گردے کی بیماری) یہ دیکھنے کے لیے کہ کون سا بڑا کردار ادا کرتا ہے۔ تاہم، اس میں تضادات ہوتے ہیں جب خصوصیت کی ترجیح کی نشاندہی کرنے کے لیے مختلف طریقے استعمال کیے جاتے ہیں، جیسے کہ 5 کا وہ سیٹ صرف 1 فیچر کا اشتراک کرتا ہے جس میں رویندرا وغیرہ کے نتائج، البومین میں سب سے زیادہ درستگی کے معاملے میں۔ اس کے علاوہ، احمد وغیرہ کے Gini اپروچ میں اوسط کمی نے سیل کے حجم کو سب سے اہم عنصر کے طور پر پایا، تاہم، پچھلے کاغذات میں سے کسی نے بھی اپنے سسٹمز کے لیے منتخب کردہ حتمی خصوصیات میں اس عنصر کو کوئی اہمیت نہیں دی تھی۔

ANN کے فیصلے کرنے کے طریقے سے متعلق مسائل ہیں، اور ایک طرح سے، ان فیصلوں میں انسانی تعصب کا کچھ عنصر ہوتا ہے، کیونکہ ڈویلپرز فیصلہ کرتے ہیں کہ کون سے ان پٹ کو غیر ضروری سمجھ کر رد کرنا ہے اور کن کو رکھنا ہے۔ تاہم سالکین اور اسٹینکووچ کے پاس ایک اچھا نقطہ ہے۔ ہمارے پاس ذرائع ہیں اور اب وقت آگیا ہے کہ CKD کی شناخت کے لیے ایک زیادہ درست سرمایہ کاری مؤثر حل تیار کریں۔(دائمی گردے کی بیماری) مریض تیزی سے، اس طرح کہ لوگ غیر ضروری درد، مصیبت، اور موت سے بچیں.

3۔{1}} مواد اور طریقے

3.1 اے این این کی پروگرامنگ

MATLAB کو تیز رفتار پروٹو ٹائپنگ کے لیے استعمال کیا گیا کیونکہ یہ بغیر کسی اضافی کوڈنگ کے اپنے ڈیپ لرننگ ٹول باکس کے ذریعے ANNs کی مقامی تخلیق کی اجازت دیتا ہے۔ شکل 1 ڈیپ لرننگ ٹول باکس کے ANN ٹریننگ ٹول کا سنیپ شاٹ فراہم کرتا ہے۔ کنبن کے بعد، پروجیکٹ کے تمام کام ایک ورچوئل بورڈ پر رکھے جاتے ہیں، جیسے ٹریلو، ان کاموں کے لیے مختلف کالموں کے ساتھ جو پہلے ہی مکمل ہو چکے ہیں (جیسے سسٹم کی فعالیت، ڈیٹا اکٹھا کرنا، منصوبہ بندی کا شیڈول، ابتدائی رپورٹ کو مکمل کرنا، فلنگ کرنا۔ اخلاقیات کی شکل، وغیرہ)، مکمل ہونے کے عمل میں کام (تحقیقاتی رپورٹ کو مکمل کرنا) اور مستقبل میں مکمل ہونے والے کام (کلین ڈیٹا، ڈیٹا کے ساتھ AI کو تربیت دینا، دستاویز کے نتائج وغیرہ)۔ بنیادی اصول یہ ہے کہ کام میں پیشرفت کی حد کو برقرار رکھنا اور اس پر قائم رہنا، حد سے تجاوز کیے بغیر اور ایک ساتھ بہت سارے کام کیے بغیر، اور اس پر قائم رہنا ہے، اور جب تک پروجیکٹ مکمل نہ ہو جائے اسے جاری رکھیں۔

3.2 ٹریننگ اور ٹیسٹنگ ڈیٹا حاصل کرنا

ماڈل کی تربیت اور جانچ کے لیے، دو اختیارات پر غور کیا گیا۔ ایک خالصتاً تعلیمی استعمال کے لیے گمنام مریضوں کی معلومات کے لیے مقامی ہسپتالوں سے رابطہ کرنا تھا، اور دوسرا آن لائن استعمال کے لیے دستیاب ڈیٹا سیٹ کو تلاش کرنا تھا۔ آن لائن ترجیح تھی، اور 400 مریضوں کے ریکارڈ، 250 CKD کے ساتھ ایک ڈیٹا سیٹ ملا(دائمی گردے کی بیماری) مریض، اور 150 غیر CKD مریض، 2 ماہ کے دوران، تامل ناڈو، انڈیا کے اپولو ہسپتالوں سے جمع کیے گئے۔ 24 مختلف خصوصیات تھیں، جیسا کہ جدول 1 میں دکھایا گیا ہے۔ تاہم، ریکارڈز نامکمل تھے، جس میں ڈیٹا غائب یا کرپٹ تھا، جیسا کہ اکثر ہوتا ہے۔ اگر خالی قیمت والے تمام ریکارڈز کو ہٹا دیا جائے تو، قابل استعمال ریکارڈز صرف 200 سے کچھ زیادہ ہوں گے۔ اس طرح، ڈیٹا کو صاف کرنے اور نامکمل ریکارڈز کو برقرار رکھنے کے متبادل طریقوں پر غور کرنا ہوگا، جیسے کہ موڈ کے ذریعے خالی اقدار کو تبدیل کرنا، یا فیچر میں سب سے زیادہ عام طور پر دیکھی جانے والی قدر، لیکن اس فیچر کے لیے دوسرے ریکارڈز میں نظر آنے والی سب سے زیادہ عام قدر کے لیے اضافی غور کے ساتھ، ان ریکارڈز کے درمیان جو بصورت دیگر غائب فیچر والے ریکارڈ سے زیادہ ملتے جلتے ہیں۔

گردے کی بیماری کے لیے cistanche

تصویر 1. نیورل نیٹ ورک ٹریننگ ٹول، ڈیپ لرننگ ٹول باکس کی ایک خصوصیت

جدول 1. خصوصیات کی فہرست

اقدار میں سے 10 بولین اقدار کی نمائندگی کرنے والا متن بھی تھا، جسے 0 اور 1 اقدار میں بھی صاف کرنا پڑا کیونکہ ANN کو تربیت دینے کے لیے صرف عددی اقدار کو قبول کیا جاتا ہے۔ مزید برآں، مصنوعی ذہانت (AI) کے لیے یہ مشکل ہے کہ زبان کا کوئی سیاق و سباق نہیں ہے کہ "ہاں" "1" اور "0" کے برعکس "نہیں" کے متضاد ہے۔ ڈیٹا کو صاف کرنے کے نتائج اور برقرار رکھے گئے ریکارڈ پر منحصر ہے، یہ ممکن ہے کہ ڈیٹا کے دیگر ذرائع پر انحصار کرنا پڑے، جیسے کہ گمنام مریضوں کے ڈیٹا کے لیے ہسپتالوں سے رابطہ کرنا۔

4. نتائج اور بحث

اوسطا، CKD کی عام عمر(دائمی گردے کی بیماری) مریضوں کی عمر 55 سے 75 کے لگ بھگ پائی گئی، جبکہ غیر سی کے ڈی مریضوں کی عمریں زیادہ یکساں طور پر تقسیم کی گئیں۔ اس سے ظاہر ہوتا ہے کہ بوڑھوں میں CKD زیادہ پایا جاتا ہے، جو کہ جینیاتی مسائل کی کمی کے پیش نظر مناسب ہے، کیونکہ CKD کو تیار کرنے میں وقت لگتا ہے اور گردوں کو مسلسل نقصان ہوتا ہے۔

ذیابیطس میلیتس، جسے عام طور پر ذیابیطس بھی کہا جاتا ہے، ایک خطرے کا عنصر ہے جو CKD ہونے کے امکانات کو بڑھاتا ہے۔ درحقیقت، امریکن نیشنل کڈنی فاؤنڈیشن [13] کے مطابق، ٹائپ 1 کے تقریباً 30 فیصد اور ٹائپ 2 ذیابیطس کے 40 فیصد مریضوں کو بعد میں زندگی میں CKD ہو جاتا ہے۔ اگر ذیابیطس کے مریض ادویات، انسولین کے انجیکشن اور خوراک کے ذریعے اپنے خون میں گلوکوز کی سطح کو کنٹرول نہیں کرتے ہیں، تو زیادہ گلوکوز کی سطح گردوں میں خون کی چھوٹی کیپلیریوں کو روکتی ہے، جس سے گردوں کو نقصان پہنچتا ہے۔ ڈیٹاسیٹ میں ذیابیطس کے تمام مریض بھی CKD کے مریض تھے، جن میں آدھے سے زیادہ CKD تھے۔(دائمی گردے کی بیماری) ذیابیطس کے مریض.

CKD مریضوں میں اوسطاً سرخ خون کے خلیات کی تعداد غیر CKD مریضوں کے مقابلے میں کم ہوتی ہے، جو کہ صحت مند 4 سے 7 ملین سرخ خون کے خلیات فی مائیکرو لیٹر خون کے بجائے 2 سے 6 ملین تک ہوتی ہے۔ خون کے سرخ خلیوں کی کم تعداد خون کی کمی کی نشاندہی کرتی ہے۔ گردے Erythropoietin (EPO) نامی ایک ہارمون پیدا کرتے ہیں، جو جسم کو خون کے خلیات بنانے کے لیے تیار کرتا ہے، جس میں سے کافی مقدار اس وقت پیدا نہیں ہوتی جب CKD سے ہونے والے نقصان کی وجہ سے گردے کا کام کم ہو جاتا ہے [14]۔ اس طرح، ای پی او کی سطح گر جاتی ہے، جس کی وجہ سے خون کے سرخ خلیات کی تعداد میں کمی آتی ہے، اس وجہ سے خون کی کمی ہوتی ہے۔ اس کی وجہ سے پورے جسم میں آکسیجن کم پہنچتی ہے، عام تھکاوٹ، سانس کی قلت، سردی کے حصے (ہاتھ اور پاؤں)، اور بدترین صورتوں میں موت ہوتی ہے۔

سوڈیم اور پوٹاشیم انسانی جسم کے لیے ضروری معدنی نمکیات ہیں۔ تاہم، پانی کی طرح روزانہ کی حد سے تجاوز کرنا ممکن ہے۔ عام طور پر، گردے اضافی نمکیات اور سیالوں کو صاف کرتے ہیں، لیکن بٹن کا مسئلہ اس وقت پیدا ہوتا ہے جب وہ اب کام نہیں کرتے جیسا کہ وہ سمجھا جاتا ہے۔ یہ ٹشوز اور خون کے دھارے میں سیال جمع ہونے کا باعث بنتا ہے، جس سے ہائی بلڈ پریشر کے ساتھ ساتھ متلی، کمزوری، اور دل کی غیر معمولی تالیں ہوتی ہیں [15]۔ غیر سی کے ڈی مریضوں کے لیے پوٹاشیم 3.3 سے 5.25 رینج میں ہے جس میں زیادہ تغیر ہے اور سوڈیم 135 سے 151 ہے۔ تاہم، CKD کی پوٹاشیم کی قدریں(دائمی گردے کی بیماری) مریض 48.4 تک پہنچ سکتے ہیں، جو کہ عام مقدار سے تقریباً 10 گنا زیادہ ہے، سوڈیم کی چوٹی 170.4 کے ساتھ۔

ان پٹ ڈیٹا میں ایسی بہت سی قدریں ہیں جن میں ایک جیسے منسلک صفات ہیں، جیسے ہیموگلوبن، خون کے سرخ خلیوں کی تعداد، اور خون کی کمی۔ قدرتی طور پر، خون کے سرخ خلیات کی کم تعداد اور کم ہیموگلوبن انیمیا کی نشوونما سے منسلک ہوتے ہیں۔ اسی طرح، ہائی بلڈ پریشر کے ساتھ پوٹاشیم اور سوڈیم کی سطح کے ساتھ ساتھ خون میں گلوکوز کی سطح، شوگر اور ذیابیطس ہونے کا تعلق ہے۔ پیپ کے خلیات اور پیپ کے خلیوں کے جھرمٹ کے ساتھ ساتھ بیکٹیریا کی قدریں بھی آپس میں جڑی ہوئی ہیں کیونکہ بیکٹیریا کی موجودگی پیپ کا سبب بنتی ہے، جو پیپ کے خلیے سے پہلے ہوتا ہے۔ اس کا استعمال ان پٹ کی تعداد کو کم کرنے کے لیے کیا جا سکتا ہے یا ڈیٹا کو صاف کرتے وقت اور نامکمل اقدار کو شامل کرتے وقت اس کو مدنظر رکھا جا سکتا ہے۔ اے این این ہر انفرادی ان پٹ پر جو وزن رکھتا ہے وہ تربیت کے ذریعے ہوگا اور اسے دستی طور پر سیٹ نہیں کیا جائے گا، اس لیے یہ دیکھنا باقی ہے کہ آیا یہ تجزیہ نیورل نیٹ ورک کے اپنے فیصلہ سازی کے عمل سے مطابقت رکھتا ہے۔

5. نتیجہ

مریضوں کے اعداد و شمار کا تجزیہ کیا گیا ہے جو انسانی آنکھ تک بھی دستی ڈیٹا کے تجزیہ کے ذریعے واضح نمونہ دکھاتا ہے۔ ایک ANN عددی اعداد و شمار میں کہیں زیادہ لطیف نمونوں کو دیکھنے کے قابل ہو سکتا ہے، اور اس لیے CKD کی تشخیص کے معاملے میں اعلیٰ سطح کی درستگی پیش کر سکتا ہے۔(دائمی گردے کی بیماری) مریضوں میں ان کے جسمانی سیالوں میں موجود خصوصیات کی قدروں کا مشاہدہ کرنے کے ذریعے۔ درحقیقت، اسی طرح کے موضوع پر کاغذات کا جائزہ لینے سے ظاہر ہوتا ہے کہ خصوصیات کی تعداد کو کم کیا جا سکتا ہے اور مریض سے جمع کیے گئے ٹیسٹ اور سیال کو کم کیا جا سکتا ہے۔ لہٰذا، لاگت اور کوشش میں کمی کے ساتھ، کچھ اقدار کے درمیان دکھائے جانے والے مسلسل اعلی ارتباط کی وجہ سے نتائج کی درستگی میں کم سے کم کمی کو متاثر کرنا ممکن ہے۔

گردے کی بیماری کے لیے cistanche