使用专家增强机器学习预测急性-慢性肝衰竭患者的肝移植后结果
Jin Ge1, Jean C Digitale2, Cynthia Fenton3
1Division of Gastroenterology and Hepatology, Department of Medicine, University of California-San Francisco, San Francisco, California, USA.
概括
专家增强机器学习 (EAML) 模型被开发用于预测肝移植 (LT) 后的急性至慢性肝衰竭 (ACLF) 患者的结果. 该EAML模型显示性能与传统机器学习相当,有助于ACLF的研究.
科学领域:
- 肝病学和移植医学 肝病学和移植医学
- 医疗保健中的人工智能
- 临床结果中的预测分析.
背景情况:
- 肝移植 (LT) 是急性至慢性肝衰竭 (ACLF) 的关键治疗方法.
- 在ACLF患者中,LT后的高死亡率需要改进预测模型.
- 预测ACLF患者的LT后结果的现有模型有限.
研究的目的:
- 开发和评估一个专家增强机器学习 (EAML) 模型,用于预测ACLF患者的LT后结果.
- 为了比较EAML模型与传统机器学习方法的性能.
主要方法:
- 从加利福尼亚大学健康数据仓库识别了1384名接受LT的ACLF患者.
- 应用了RuleFit机器学习 (ML) 算法来提取决策规则并创建中间模型.
- 整合了RuleFit生成规则的人类专家评级,以开发最终的EAML模型.
主要成果:
- EAML模型在1年 (AUC 0.707) 和90天 (AUC 0.678) 的死亡预测表现强.
- 无论是EAML还是RuleFit模型,在对对进行的比较中都超过了传统的横截面模型.
- 专家意见和生物标志物的ML排名之间存在差异.
结论:
- 开发的EAML模型为预测ACLF患者的LT后结果提供了一种可行的方法.
- 在ACLF研究中,EAML可以成为ML引导的假设生成的有价值工具.
- 需要进一步的研究来完善EAML模型并探索专家-ML差异.
