人工智能预测C型肝炎病毒患者中直接作用抗病毒药物失效:一个全国性的C型肝炎病毒注册程序
Ming-Ying Lu1,2,3, Chung-Feng Huang2,3,4, Chao-Hung Hung5
1School of Medicine and Doctoral Program of Clinical and Experimental Medicine, College of Medicine and Center of Excellence for Metabolic Associated Fatty Liver Disease, National Sun Yat-sen University, Kaohsiung, Taiwan.
Clinical and molecular hepatology
|January 9, 2024
概括
直接作用抗病毒药物 (DAA) 对型肝炎病毒 (HCV) 非常有效,但可能会失败. 机器学习模型,特别是XGBoost,可以准确预测HCV患者的DAA治疗失败,识别关键风险因素.
科学领域:
- 肝病学和病毒性肝炎研究研究
- 医疗信息学和机器学习
- 药理学和治疗学 药理学和治疗学
背景情况:
- 直接作用抗病毒药物 (DAA) 在治疗型肝炎病毒 (HCV) 感染方面表现出高效.
- 一小部分 (1-3%) 用DAA治疗的患者无法获得持续的病毒学反应.
- 确定DAA治疗失败的预测因素对于优化患者的治疗结果至关重要.
研究的目的:
- 在全国范围的HCV患者队列中调查与DAA治疗失败相关的风险因素.
- 评估各种机器学习算法在预测DAA治疗失败方面的性能.
- 确定预测治疗失败的关键宿主和病毒学特征.
主要方法:
- 对台湾HCV注册计划数据库的分析.
- 55个宿主和病毒学特征的评估使用多变量逻辑回归,决策树,随机森林,XGBoost和人工神经网络.
- 主要结局:治疗后12周没有检测到HCVRNA.
主要成果:
- 该研究包括23955名培训和10346名验证患者,DAA总失败率为1.6%.
- 多变量逻辑回归确定了肝硬化,肝细胞癌,DAA粘附性差,以及较高的血红蛋白A1c作为衰竭的显著预测因素.
- XGBoost表现出卓越的性能,在训练和验证数据集中实现了接收器运行特征曲线下的面积为1.000和0.803. 最重要的预测因素包括HCVRNA,BMI,α-fetoprotein,血小板和FIB-4指数.
结论:
- 机器学习算法,特别是XGBoost,有效地对患有DAA治疗失败风险的患者进行分层.
- 这些模型对导致HCV患者病毒学失败的因素提供了宝贵的见解.
- 这些发现支持在HCV管理中使用机器学习进行个性化治疗策略.
