在中国人口中开发具有成本效益的脂肪肝疾病预测模型:统计和机器学习方法
Liang Zhang1, Yueqing Huang1, Min Huang1
1Department of General Practice, The Affiliated Suzhou Hospital of Nanjing Medical University, Suzhou, China.
JMIR formative research
|February 16, 2024
概括
一个新的机器学习 (ML) 模型有效地使用常规健康数据识别中度至严重的非酒精性脂肪性肝病 (NAFLD). 这种具有成本效益的工具增强了NAFLD诊断和随访,改善了患者的护理.
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
- 医疗保健中的机器学习
背景情况:
- 非酒精性脂肪肝 (NAFLD) 是中国日益严重的公共卫生问题.
- 传统的超声波在量化肝硬化症方面缺乏准确性,导致中度至重度病例的随访错过.
- 过渡性弹性图 (TE) 提供了定量诊断,机器学习 (ML) 可以增强NAFLD诊断模型.
研究的目的:
- 开发一种基于ML的新型诊断模型,使用TE结果进行肝硬化分期.
- 创建一个具有成本效益和用户友好的工具,用于识别需要随访的NAFLD患者.
- 通过整合TE和ML来提高NAFLD评估的准确性和效率.
主要方法:
- 对978名居民的健康检查记录和TE结果的分析.
- 使用Python开发和评估多个ML分类模型 (LR,KNN,SVM,RF,LightGBM,XGBoost).
- 基于接收器运行特征曲线 (AUROC) 下面面积和精度的性能评估.
主要成果:
- 一个简化的随机森林 (RF) 模型实现了0.88的AUROC,灵敏度为62%,特异性为90%.
- 该模型利用了6个关键特征:腰围,BMI,禁食血葡萄糖,尿酸,总 bilirubin 和高灵敏度C反应蛋白.
- 与其他评估的ML模型相比,RF模型表现出优越的性能.
结论:
- 使用健康检查数据的具有成本效益的ML算法可以有效地识别中度至重度的NAFLD.
- 这种模式有可能通过针对性的NAFLD调查和干预,对公共卫生产生重大影响.
- 整合TE和ML技术为NAFLD诊断提供了创新的进展.
