一个基于机器学习的死亡率预测模型,用于慢性C型肝炎感染患者:一项探索性研究

科学领域:

• 肝病学和病毒性胃肠病学.
• 医疗信息学和机器学习
• 公共卫生和流行病学.

背景情况:

• 慢性型肝炎病毒 (HCV) 感染对全球健康构成重大挑战,影响发病率和死亡率.
• 有效治疗HCV肝硬化可以使死亡率正常化,强调需要精确的风险分层.
• 对HCV患者死亡率的预测建模对于优化临床管理至关重要.

研究的目的:

• 开发和评估用于预测慢性HCV患者死亡率的机器学习模型.
• 确定与这一队列中死亡风险相关的关键临床和人口因素.
• 加强风险评估,并为慢性HCV的个性化治疗策略提供信息.

主要方法:

• 来自苏丹卡布斯大学医院 (2009-2017) 的702名慢性HCV患者队列的分析.
• 数据预处理,特征选择 (SelectKBest) 和机器学习算法的训练 (后勤回归,随机森林,梯度增强,SVM).
• 使用5倍交叉验证和包括曲线下的面积 (AUC) 在内的指标进行绩效评估.

主要成果:

• 在12,36和120个月的生存概率分别为90.0%,84.0%和73.0%.
• 后勤回归实现了0.929的高AUC,证明了强大的预测能力.
• 确定的死亡预测因素包括血红蛋白,ALT,并发症,HCV基因型,共感染,随访持续时间和治疗反应.

结论:

• 机器学习模型有效预测慢性HCV患者的死亡率.
• 确定了影响死亡风险的关键因素,从而实现了更好的患者分层.
• 这些模型为临床决策提供了宝贵的见解,并改善了HCV管理中的患者结果.