在前性队列研究中,机器学习模型可以预测肝硬化症,但不能预测肝纤维化

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医疗成像医学成像
• 医疗保健中的机器学习

背景情况:

• 肝纤维化查依赖于实验室测试和非侵入性方法,如FIB-4评分和短暂弹性图像.
• 先进的纤维化检测对于患者管理至关重要.
• 机器学习为改进的非侵入性诊断工具提供了潜力.

研究的目的:

• 评估机器学习 (ML) 以超声波和肝纤维化风险来预测肝硬化症.
• 将ML模型的性能与标准FIB-4指数进行比较.
• 调查用于肝病预测的ML模型中的性别特异性性能变化.

主要方法:

• 超声波和过渡性弹性成像分别对5834名和1240名患者进行.
• 极端梯度提升,前神经网络和物流回归模型进行了训练和前性评估.
• 模型使用了实验室,临床和饮食数据;性能与FIB-4指数相比.

主要成果:

• 使用XGBoost.ml的ML模型实现了肝硬化症的高精度 (AUC0.87) 和肝纤维化症的中度精度 (AUC0.75).
• 对肝纤维化来说,男性的预测性表现高于女性,但对于脂肪脂肪症来说类似.
• 患者报告的变量没有显著改善预测性能.

结论:

• 机器学习准确地预测肝硬化症,并使用临床和实验室数据适度预测肝纤维化.
• 机器学习模型性能中的性别特异性突出显示了需要量身定制的方法.
• 作为肝脏疾病查的非侵入性工具,ML显示出希望.