机器学习决策支持系统用于早期检测乙型肝炎病毒的临床有效性:双国外部验证研究

科学领域:

• 医疗信息学 医疗信息学
• 肝病学 肝病学是一种肝病学.
• 医疗保健中的机器学习

背景情况:

• 乙型肝炎病毒 (HBV) 感染仍然是一个全球性的健康问题.
• 像HepB LiveTest这样的机器学习 (ML) 系统旨在早期检测HBV.
• 关于这种ML系统的通用性的证据有限.

研究的目的:

• 为外部验证 HepB LiveTest ML 系统的临床实用性和可移植性.
• 评估HepB LiveTest在独立的尼日利亚和澳大利亚患者队伍中预测HBV感染的表现.
• 评估模型在不同的人口和流行病学环境中的通用性.

主要方法:

• 使用接收器操作特征 (ROC) 曲线和曲线下的面积 (AUROC) 的性能评估.
• 统计分析包括德隆对置信区间 (CI) 的方法.
• 在衍生,尼日利亚和澳大利亚队伍之间对HepB LiveTest性能进行比较.

主要成果:

• 在尼日利亚队列中,HepB LiveTest在尼日利亚队列中实现了0.94的AUROC (95%CI,0.91-0.97).
• 在澳大利亚队列中,表现显著下降到AUROC为0.60 (95% CI,0.56-0.64).
• 与澳大利亚队列相比,尼日利亚队列患者年轻,HBV发病率更高.

结论:

• 在尼日利亚医院环境中,HepB LiveTest证明了临床有效性和跨站点可运输性.
• 该模型在澳大利亚队列中的表现有限,这表明普遍性存在挑战.
• 在低发病率或老年人群中实施需要谨慎; HepB LiveTest对服务不足的地区显示出希望.