一种机器学习模型用于预测慢性乙型肝炎患者肝细胞癌风险

科学领域:

• 肝病学 肝病学是一种肝病学.
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 传统的肝细胞癌 (HCC) 风险模型具有预后性能限制.
• 机器学习 (ML) 为改善HCC风险预测提供了一个潜在的解决方案.
• 接受抗病毒疗法 (AVT) 的慢性乙型肝炎 (CHB) 患者需要优化风险评估工具.

研究的目的:

• 建立和验证基于ML的HCC预测模型.
• 为接受AVT的CHB患者优化模型.
• 将ML模型的性能与现有的HCC风险模型进行比较.

主要方法:

• 开发了一种新型的ML模型,使用960名先前未接受治疗的CHB患者的培训队列,这些患者接受了恩特卡维尔 (ETV) 或特诺福维尔二二醇烟酸 (TDF) 治疗.
• 在1937名患者的独立外部队列中验证了ML模型.
• 使用ML算法来考虑所有潜在的相互作用,而没有预定义的假设.

主要成果:

• 基于ML的HCC风险预测模型在训练队列中实现了0.900的接收器操作特征曲线 (AUC) 下的区域,在验证队列中达到0.872.
• ML模型的表现明显优于CAMD (AUC=0.778/0.788) 和REAL B (AUC=0.772/0.801) 模型的表现 (p < .05).
• 在ML模型定义的风险组中观察到累计HCC发病率的显著差异 (p < .001).

结论:

• 开发的ML模型在预测HCC风险方面明显优于传统模型.
• 这种基于ML的方法优化了接受AVT的CHB患者.
• 这些发现支持使用ML来在这个患者群体中更准确和个性化地对HCC风险分层.