一个动态的机器学习模型用于预测健康检查人口中的NAFLD:一项纵向研究

科学领域:

• 肝病学 肝病学是一种肝病学.
• 数据科学数据科学数据科学
• 预测建模预测建模

背景情况:

• 非酒精性脂肪性肝病 (NAFLD) 是一种普遍存在的全球性肝病.
• 现有的NAFLD预测模型通常依赖于横截面数据,限制早期识别和因果推断.
• 需要动态模型,可以使用纵向健康数据预测NAFLD发病.

研究的目的:

• 开发和验证一个时间序列深度学习模型,用于预测未来的NAFLD发病.
• 通过逐步更新模型以新的健康检查记录来实现动态预测.
• 确定NAFLD发病的关键预测特征.

主要方法:

• 一个回顾性队列研究,涉及10,493名参与者,具有纵向健康检查记录.
• 利用长短期记忆 (LSTM) 深度学习算法用于模型开发.
• 采用L1惩罚后勤回归来选择特征,并使用SHAP来解释模型.

主要成果:

• 动态预测模型通过额外的健康检查数据证明了性能改善,在内部验证中,AUROC从0.729增加到0.818.
• 外部验证证实了该模型的有效性,AUROC从0.700上升到0.792.
• 对NAFLD发病的关键预测因素包括体脂百分比,氨酸转胺酶 (ALT) 和尿酸水平.

结论:

• 成功建立了用于NAFLD预测的动态深度学习模型,通过更新的健康数据提高了准确性.
• 随着新健康检查记录的纳入,模型的预测能力逐渐提高.
• 识别关键风险因素有助于制定针对性预防和控制NAFLD的战略.