机器学习用于肝硬化急性减补的短期死亡率:比MELD得分更好
Nermin Salkić1, Predrag Jovanović1,2, Mislav Barišić Jaman3
1Department of Internal Medicine, School of Medicine, University of Tuzla, 75000 Tuzla, Bosnia and Herzegovina.
Diagnostics (Basel, Switzerland)
|May 24, 2024
概括
机器学习模型显著改善了急性不补偿性肝硬化患者短期死亡率的预测. 这些人工神经网络模型在预测28天和90天的存活时间方面,优于现有的末期肝病模型得分.
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
- 人工智能在医学中的应用
背景情况:
- 在急性不补偿性肝硬化中,准确预测短期死亡率对于患者管理至关重要.
- 现有的评分系统,如末期肝病-模型 (MELD-Na) 和MELD 3.0,在预测结果方面可能存在局限性.
研究的目的:
- 开发和验证机器学习 (ML) 模型,特别是人工神经网络 (ANN),用于预测28天和90天的死亡率.
- 将这些ML模型的预测性能与已建立的得分 (MELD-Na和MELD 3.0) 进行比较.
主要方法:
- 两种基于ANN的ML模型被训练在165名急性不补偿性肝硬化患者的数据集上.
- 模型性能使用单独的125名患者队列进行了验证.
- 使用接收器操作特征曲线 (AUC) 下的面积,并与MELD-Na和MELD 3.0分数进行比较,评估了预测准确性.
主要成果:
- 在28天死亡预测中,ML模型实现了0.811的AUC,显著超过了MELD-Na (0.577) 和MELD 3.0 (0.600).
- 对于90天的死亡率,ML模型显示,与MELD-Na (0.682) 和MELD 3.0 (0.703) 相比,ML模型的AUC高于0.839.
- 对于ML模型在28天和90天死亡率预测中的表现,观察到统计学意义 (p < 0.001).
结论:
- 基于ML的模型,特别是ANN,在预测急性不补偿性肝硬化患者的短期死亡率方面提供了显著提高的准确性.
- 这些先进的模型显示出与当前的标准评分系统相比,有潜力提高临床决策和患者护理.
