开发和验证一个自动机器学习模型,以预测在酸治疗中异常增加的转氨酶
Hongying Ma1,2, Sihui Huang1,3, Fengxin Li1,4
1Department of Pharmacy, Xiangya Hospital, Central South University, No.87 Xiangya Road, Changsha, 410008, China.
Archives of toxicology
|June 16, 2024
概括
这项研究开发了一种自动机器学习模型,用于预测用酸 (VPA) 治疗患者的肝损伤风险. 该模型准确地预测了转氨酶水平的增加,有助于临床药监督.
科学领域:
- 药物监督 药物监督 药物监督
- 机器学习在医学中的应用
- 的治疗方法 治疗
背景情况:
- 酸 (VPA) 是一种关键的药物,但它的肝毒性 (肝毒性) 是一个重要的临床问题.
- 对于接受VPA治疗的患者来说,监测转氨酶水平升高至关重要,以防止肝损伤.
研究的目的:
- 开发和验证一种自动机器学习 (autoML) 模型,用于预测在接受VPA治疗的患者中异常转氨酶水平的风险.
- 确定影响VPA诱导肝毒性的关键临床参数.
主要方法:
- 使用统计分析 (T测试,奇方,逻辑回归) 来选择六个预测性临床参数:年龄,身高,白细胞计数,总胆红素,口服VPA剂量和VPA度.
- 使用"H2O"自动ML平台构建一个风险预测模型.
- 使用培训,测试和外部验证数据集的AUC指标评估模型性能.
主要成果:
- 自动ML模型获得了高性能:AUC训练=0.855,AUC测试=0.789,有效AUC=0.742.
- 该模型在内部和外部验证中都表现出强大的预测准确性,证实了其在预测VPA诱导的转胺酶异常方面的可靠性.
- 变量重要性分析确定了关键预测因素,提高了模型的解释性.
结论:
- 一个新的,可解释的自动ML模型有效地预测了患者的VPA诱导的转氨酶升高.
- 这种个性化的预测工具为临床医生提供了有价值的洞察力,用于积极的患者管理和药物监测.
- 该模型处理不平衡数据并提供参数洞察力的能力提高了其临床实用性.
