一个基于机器学习的预测模型将非酒精性脂肪肝与非酒精性脂肪肝疾病区分开来
Yuqi Yan1, Danhui Gan2, Ping Zhang1
1Department of Clinical Laboratory Medicine, The First Affiliated Hospital of Jinan University, Guangzhou, 510630, China.
Heliyon
|November 8, 2024
概括
一种新的机器学习模型NASH-XGB6有效地识别了非酒精性脂肪肝炎 (NASH) 患者的非酒精性脂肪肝疾病 (NAFLD). 该工具有助于区分NASH和NAFLD,改善患者管理.
科学领域:
- 肝病学和胃肠病学 肝病学和胃肠学
- 人工智能在医学中的应用
- 生物标志物发现发现
背景情况:
- 非酒精性脂肪性肝病 (NAFLD) 是肝脏发病率和死亡率的重要原因之一.
- 准确诊断非酒精性脂肪肝炎 (NASH) 对于管理NAFLD患者至关重要.
- 目前用于NASH的诊断方法可能具有侵入性或缺乏可访问性.
研究的目的:
- 开发和验证一种机器学习模型,用于在NAFLD患者中识别NASH.
- 确定NASH的主要临床和实验室预测因素.
- 为NASH诊断创造一种非侵入性工具.
主要方法:
- 一项涉及259名NAFLD患者 (1组) 的观察性研究,用于模型培训和内部验证.
- 五种机器学习算法的比较,以选择表现最佳的模型.
- 外部验证使用181名NAFLD患者的独立队列 (第二队列).
- 使用ROC曲线,灵敏度,特异性和精度评估模型性能.
主要成果:
- 确定了NASH预测的六个独立风险因素:中性粒细胞百分比,AST/ALT比,血红素,肌素,尿酸和前白蛋白.
- 使用XGBoost算法的NASH-XGB6模型显示出高预测准确度.
- 在第1队列中达到0.95的ROC值,在第2队列中达到0.90,表明强大的预测性能.
结论:
- 纳什-XGB6模型是区分纳什和NAFLD的有效工具.
- 这种机器学习方法为NASH诊断提供了一种有前途的非侵入性方法.
- 已识别的风险因素为NASH病原体和潜在的治疗点提供了洞察力.
