机器学习预测模型用于初级胆道胆炎患者的治疗响应者
Naruhiro Kimura1, Kazuya Takahashi1, Toru Setsu1
1Division of Gastroenterology and Hepatology Niigata University Graduate School of Medical and Dental Sciences Niigata Japan.
概括
机器学习模型使用治疗前数据准确地预测了初级胆道胆炎 (PBC) 患者的治疗反应. 极端梯度增强 (XGB) 模型在治疗开始前预测患者预后方面表现有前途.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 对ursodeoxycholic酸的治疗反应是原发性胆道胆炎 (PBC) 的关键预后因素.
- 机器学习 (ML) 提供了预测复杂医疗结果的潜力.
- 准确预测治疗反应可以指导患者的管理和改善预后.
研究的目的:
- 开发和评估用于预测PBC患者治疗反应的机器学习模型.
- 通过使用预处理数据,确定最有效的ML算法来预测治疗反应.
- 根据早期治疗反应,评估ML在预测患者预后方面的实用性.
主要方法:
- 一项对194名PBC患者进行的回顾性研究,随访时间至少为12个月.
- 使用五种ML模型分析预处理数据:随机森林,极端梯度增强 (XGB),决策树,天真贝叶斯和后勤回归.
- 使用样本外验证和曲线下的面积 (AUC) 评估模型性能;使用卡普兰-梅尔分析整体存活率.
主要成果:
- 随机森林 (AUC=0.84) 和XGB (AUC=0.83) 模型显示,与后勤回归 (AUC=0.595) 相比,预测准确度明显更高.
- 决策树 (AUC=0.633) 和原始贝叶斯模型 (AUC=0.584) 的预测能力较小.
- XGB模型成功预测了达到巴黎II标准的患者的改善预后 (逻辑等级P=0.005和0.007).
结论:
- 机器学习算法,特别是XGB,可以有效地预测PBC患者使用预治疗数据的治疗反应.
- 用ML预测治疗反应可以改善患者的预后.
- 在开始治疗之前,XGB模型有可能预测患者的预后.
