改善IR中的临床决策:可解释的机器学习模型用于预测炎:经过横内肝移植系统静脉冲程序后的改善

科学领域:

• 肝病学 肝病学是一种肝病学.
• 干预性放射学 干预性放射学
• 人工智能的人工智能

背景情况:

• 耐火性炎显著影响肝病的预后.
• 跨内肝移植系统分流 (TIPS) 放置是管理耐火性炎的关键干预措施.
• 预测治疗反应对于优化患者选择和结果至关重要.

研究的目的:

• 评估可解释机器学习 (ML) 模型对TIPS后炎改善的预测潜力.
• 确定影响耐火性炎患者治疗反应的关键特征.

主要方法:

• 追溯分析218名接受TIPS治疗耐火性炎的患者.
• 利用了29个人口,临床和程序特征.
• 开发并验证了支持矢量机 (SVM) 和CatBoost ML模型,并使用了Shapley的附加解释来解释可解释性.

主要成果:

• 77%的患者经历了的改善.
• 较高的和白蛋白水平,较低的肌素和较低的MELD/MELD-Na得分与改善有关.
• SVM和CatBoost模型实现了高精度 (83%和87%) 和AUC (0.83和0.87).

结论:

• 可解释的ML模型在预测TIPS后的升级改进方面显示出显著的潜力.
• 这些模型可以帮助患者选择TIPS程序.
• 需要进一步验证,以将ML纳入耐火性炎的临床决策.