机器学习模型的开发和验证,用于预测原发性胆道胆道炎患者的治疗反应率
Naruhiro Kimura1, Kazuya Takahashi1, Toru Setsu1
1Division of Gastroenterology and Hepatology, Niigata University Graduate School of Medical and Dental Sciences, Niigata, Japan.
概括
机器学习模型可以使用治疗前数据预测初级胆道胆道炎 (PBC) 患者的治疗反应. 这有助于早期识别不响应者,并有可能改善患者使用替代疗法的结果.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 乌尔索西胆酸是初级胆道胆炎 (PBC) 的标准治疗方法.
- 预测治疗反应对于优化患者预后和考虑替代疗法至关重要.
- 除了标准响应标准之外,还需要额外的预测信息.
研究的目的:
- 开发和验证机器学习 (ML) 算法,用于预测PBC患者对ursodeoxycholic酸的治疗反应.
- 识别治疗前预测治疗反应的关键因素.
- 通过早期识别不响应患者来改善患者的治疗结果.
主要方法:
- 一个多中心队列研究,利用两个数据集来开发和验证ML模型.
- 开发集 (n=245) 分为培训和验证子集;用于外部验证的测试集 (n=51).
- 采用极端梯度增强树算法,使用曲线下的面积 (AUC) 来进行性能评估.
主要成果:
- 确定的主要预测因素包括总胆红素,总蛋白质和氨酸转移酶水平.
- 达到巴黎II治疗应答标准的患者表现出显著降低血清性酸酶和总 bilirubin.
- 极端梯度增强树模型表现出强大的预测性能,AUC为0.811 (开发) 和0.856 (测试).
结论:
- 机器学习有效地预测了初级胆道胆道炎的治疗反应.
- 这种新型的ML模型可以早期识别可能需要替代治疗的患者.
- 通过及时进行治疗调整,预计PBC患者的预后会得到改善.
