在非酒精性型肝炎患者中使用机器学习识别快速进展者

科学领域:

• 肝病学 肝病学是一种肝病学.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 对于非侵入性工具的高未满足需求,以识别患有非酒精性脂肪肝病/非酒精性脂肪肝炎 (NAFLD/NASH) 的患者,他们面临快速进展到末期肝病 (ESLD) 的风险.
• 目前的方法缺乏足够的预测能力,无法及早识别高风险的NAFLD/NASH患者.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,使用早期临床数据来预测NAFLD/NASH患者快速进展到ESLD.
• 确定与疾病快速进展相关的关键临床特征.

主要方法:

• 在2007年至2018年期间,对成人NAFLD/NASH患ESLD (肝硬化或肝细胞癌) 患者的电子健康记录 (EHR) 进行了回顾性分析.
• 根据ESLD的时间分为快速 (0.5-3年) 和标准 (6-10年) 进步者队伍的分层.
• 开发和比较两种ML模型 (光梯度增强和eXtreme梯度增强) 以预测快速进展.

主要成果:

• 总共有4013名NAFLD患者被分析;24%是快速进展的. 最终的模型,NASH FASTmap (一个44个特征的光梯度增强模型),实现了AUC为0.77,F1得分为0.74,准确度为0.71,精度为0.71.
• 快速和标准进展者队列在肥胖,高脂血症和年龄指数方面显示出显著差异,尽管性别,BMI,2型糖尿病和高血压具有相似性.
• 在预测快速进展方面,NASH FASTmap 的表现优于 eXtreme 的梯度提升模型.

结论:

• 使用随时可用的临床数据的机器学习模型可以有效地预测NAFLD/NASH患者未来快速进展到ESLD.
• 在EHR系统中实施NASH FASTmap模型可以帮助临床风险分层,并可能改善NAFLD/NASH患者的患者管理策略.