一种探索性机器学习模型用于预测自身免疫性肝炎患者的晚期肝纤维化:一项初步研究
Qinglin Wei1, Wen Li2, Shubei He3
1Department of Gastroenterology, The Seventh Medical Center of Chinese PLA General Hospital, Beijing 100700, China; Department of Cadre Diagnosis and Treatment, The Seventh Medical Center of Chinese PLA General Hospital, Beijing 100700, China; Department of Gastroenterology, Xinqiao Hospital of Third Military Medical University (Army Medical University), Chongqing 400038, China.
Annals of hepatology
|December 14, 2024
概括
机器学习模型,特别是随机森林,使用常规临床数据准确预测自身免疫性肝炎患者的晚期肝纤维化. 这种方法比传统方法更好地评估纤维化.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 晚期纤维化是自身免疫性肝炎 (AIH) 进展的关键阶段,有可能发生回归或进展.
- 准确评估肝纤维化对于管理AIH患者至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于评估AIH患者晚期肝纤维化.
- 确定预测晚期纤维化的主要临床特征.
- 将ML模型的性能与传统的非侵入性纤维化得分进行比较.
主要方法:
- 一组233名AIH患者的肝活检数据被用于模型开发.
- 数据集被分为训练和测试集;患者根据纤维化阶段进行分类.
- 评估了6种ML模型,最佳模型在另外33名患者队列中得到了验证.
主要成果:
- 最小绝对收缩和选择操作员 (LASSO) 回归确定了前热血素时间 (PT),白蛋白 (ALB) 和超声厚度 (UTST) 作为关键预测因素.
- 随机森林 (RF) 模型表现出高的诊断性能 (AUC=0.951在训练中,0.863在测试中,0.843在验证中).
- 射频模型在预测晚期纤维化方面表现优于既有的非侵入性纤维化得分.
结论:
- 机器学习模型,特别是射频模型,为提高AIH中晚期肝纤维化的歧视提供了一个有希望的工具.
- 常规的临床特征可以有效地被ML模型用于纤维化评估.
