一个可解释的机器学习模型用于预测高风险的非酒精性脂肪肝炎

科学领域:

• 肝病学 肝病学是一种肝病学.
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 代谢功能障碍相关的脂肪肝炎 (MASH) 是一个日益严重的健康问题,早期发现对于预防肝硬化至关重要.
• 目前用于高风险MASH的生物标志物缺乏最佳的预测准确性.
• 需要新的,可解释的预测模型来及时进行临床干预.

研究的目的:

• 开发和验证一种可解释的机器学习模型,用于预测高风险的MASH.
• 将开发模型的预测性能与已建立的临床风险得分进行比较.
• 使用可解释的人工智能识别高风险MASH的关键预测因素.

主要方法:

• 利用了2017-2020年国家健康和营养检查调查 (NHANES) 的数据 (n=5281).
• 开发了一个基于集体的XGBoost机器学习模型,用于MASH预测.
• 使用SHAP (夏普利添加式解释) 进行模型解释性和确定关键预测因子.

主要成果:

• 高风险MASH的患病率为6.9%.
• XGBoost模型实现了高性能:灵敏度为0.82,特异性为0.91,精度为0.90,AUC为0.95.
• 该模型的表现明显优于FIB-4,APRI,BARD和MASLD纤维化得分 (AUC为0.95与~0.50).
• 确定了关键预测因素:ALT,GGT,血小板计数,腰围和年龄.

结论:

• 一个可解释的XGBoost模型在与现有的临床指数相比,在识别高风险MASH方面表现出更高的准确性.
• 该模型的可解释性突出了关键的临床因素,提高了其临床适用性.
• 这种方法可以改善MASH患者的识别,特别是在资源有限的环境中,促进获得早期治疗的机会.