使用机器学习预测疑似胃衰竭患者对神经调节剂或动因学反应: "BMI,传染性前,延迟GES和没有糖尿病"模型

科学领域:

• 胃肠病学 胃肠病学
• 医疗信息学 医疗信息学
• 药理学 药理学是指药理学的学科.

背景情况:

• 胃衰竭 (GP) 的药理疗法表现出有限的疗效.
• 预测患者对当前GP治疗的反应是具有挑战性的.
• 需要新的方法来个性化GP管理.

研究的目的:

• 实施和评估一种机器学习模型,用于预测GP类症状患者的治疗反应.
• 为了确定对 prokinetics 和/或神经调节器的反应的关键预测因素.

主要方法:

• 一组由150名疑似GP患者组成的队列同时接受了胃空化扫描 (GES) 和无线运动囊.
• 机器学习模型 (拉索,山脊,随机森林) 使用五倍交叉验证进行训练.
• 治疗反应被定义为6个月后GP 枢纽症状指数下降≥1.

主要成果:

• 一个回归模型实现了0.72的AUC-ROC,识别了诸如体重指数,传染性先发症,延迟的GES和没有糖尿病等预测因素.
• 该模型显示,与单独使用神经调节剂的患者相比,单独使用 Prokinetics 的患者的准确性更高 (AUC-ROC 0.83),而单独使用神经调节剂的患者的准确性更高.
• 一个独立的模型,结合了胃排空时间和十二指肠运动率指数,产生了0.75.75的AUC-ROC.

结论:

• 机器学习模型在预测GP对 prokinetics 和/或神经调节器的反应方面表现出可接受的准确性.
• 经过验证的模型可以为预测GP患者的治疗结果提供宝贵的见解.
• 这种方法可能有助于针对胃的个性化治疗策略.