基于机器学习的胆固醇胆病预测工具,以改善ERCP决策:一个概念验证研究
Steven N Steinway1, Bohao Tang2, Jeremy Telezing2
1Division of Gastroenterology and Hepatology, Johns Hopkins Medical Institutions, Baltimore, United States.
Endoscopy
|September 12, 2023
概括
一种新的机器学习模型可以准确预测胆固醇,改善患者对内镜逆行胆固醇细胞造影 (ERCP) 的选择,并可能减少不必要的程序.
科学领域:
- 胃肠病学 胃肠病学
- 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:
- 目前用于预测胆固醇胆病的指南的准确性有限.
- 这导致了过度使用内镜逆行胆血管细胞造影 (ERCP),这是一种带有相关风险的程序.
- 需要改善患者分层,以优化ERCP选择,并考虑替代性,低风险的干预措施.
研究的目的:
- 开发和评估用于预测胆固醇胆病的机器学习模型.
- 将模型的性能与当前的ASGE和ESGE指南进行比较.
- 评估模型的潜力,以改善ERCP的利用和患者的治疗结果.
主要方法:
- 使用来自两个队列研究的患者数据开发了一个梯度增强模型 (GBM).
- 该模型利用了胆固醇胆病的八个已识别的预测因素.
- 使用10倍交叉验证和AUC评估性能,与ASGE和ESGE指南进行比较.
主要成果:
- GBM的准确度达到71.5% (AUC 0.79),超过了ASGE (62.4%准确度,AUC 0.63) 和ESGE (62.8%准确度,AUC 0.67) 的指南.
- 该模型正确地重新分类了ASGE指南推不必要的ERCP的22%患者.
- 它还确定了48%的ERCP被ESGE指导方针错误地拒绝.
结论:
- 一个机器学习工具提供实时,个性化的胆固醇胆病概率和ERCP建议.
- 与当前的ASGE和ESGE指南相比,该工具为ERCP使用提供了更准确的指导.
- 该模型有可能降低与ERCP相关的发病率,并避免错过胆固醇病的诊断.
