机器学习方法可以提高MASLD患者的诊断和分期,使用常规可用的临床信息
Matthew McTeer1, Douglas Applegate2, Peter Mesenbrink3
1Newcastle University, Newcastle upon Tyne, United Kingdom.
PloS one
|February 29, 2024
概括
常规的临床测试可以预测代谢功能障碍相关性肝病 (MASLD) 结果,如MASH,纤维化和肝硬化. 机器学习模型实现了高精度,避免了侵入性活检.
科学领域:
- 肝病学和代谢疾病
- 机器学习在临床诊断中的应用
背景情况:
- 诊断新陈代谢功能障碍 相关性肝病 (MASLD) 终点 (MASH,纤维化,肝硬化) 通常需要侵入性和昂贵的肝脏活检.
- 需要使用非侵入性方法来准确预测MASLD的进展和结果.
研究的目的:
- 证明常规的临床试验足以预测MASLD的结果.
- 开发和验证用于非侵入性MASLD诊断的机器学习模型.
主要方法:
- 使用了LITMUS Metacohort,这是欧洲最大的MASLD数据集,包括5000多名受试者.
- 训练 XGBoost 机器学习模型,使用来自常规临床预约和血液检查的 19 个变量特征集.
- 采用MICE用于缺少数据的归算,SMOTE用于类平衡,SHAP用于模型的解释性.
主要成果:
- 实现了9个活检衍生的MASLD结果的高预测性能,曲线下的面积 (AUC) 从0.719到0.994.
- 成功分类的个体有MASH风险,AUC为0.899.
- 纳入额外的变量 (26和35特征集) 并没有显著提高预测准确性.
结论:
- 开发精确的机器学习模型 (71.9-99.4%准确度) 用于使用现有临床信息预测MASLD结果.
- 这些模型为MASLD评估提供了肝脏活检的非侵入性,具有成本效益的替代方案.
- SHAP分析提供了预测模型的临床解释性,而不会影响性能.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
