人工智能用于识别未被诊断的非酒精性型肝炎患者

科学领域:

• 肝病学 肝病学是一种肝病学.
• 数据科学数据科学数据科学
• 公共卫生 公共卫生

背景情况:

• 非酒精性脂肪肝炎 (NASH) 的患病率正在上升,但诊断在临床环境中仍然具有挑战性.
• 未诊断的NASH对疾病进展和患者的结果构成重大风险.

研究的目的:

• 开发和验证机器学习算法,用于在退伍军人事务 (VA) 卫生系统中识别可能未被诊断的NASH患者.
• 为了利用索赔数据进行高效和可扩展的NASH风险分层.

主要方法:

• 一个机器学习模型在一个大型VA数据集 (超过420万患者) 上进行了训练和验证.
• 这项研究采用了交叉验证技术,比较了渐变增强分类树,原始贝叶斯和随机森林模型.
• 使用接收机操作员特征,曲线下的面积和精度指标来评估性能.

主要成果:

• 该算法确定了514,997名 (12%) 患者可能患有NASH,来自风险队列.
• 纳氏病概率的关键预测因素包括年龄,肥胖和异常的肝功能测试.
• 表现最好的模型在识别有风险的个体方面表现出强大的准确性.

结论:

• 机器学习为早期识别未诊断的NASH提供了一个强大的工具.
• 这种预测能力有助于及时干预和个性化治疗策略.
• 开发的算法可以作为有效的NASH初始查工具.