在患有慢性乙型肝炎的患者中,使用名录和机器学习模型进行显著肝纤维化的非侵入性诊断

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医学诊断 医学诊断 医学诊断
• 生物统计学 生物统计学

背景情况:

• 显著的肝纤维化是慢性乙型肝炎 (CHB) 的主要并发症.
• 准确的非侵入性诊断对于及时管理至关重要.
• 目前的非侵入性方法在诊断性能方面存在局限性.

研究的目的:

• 在CHB患者中构建和验证显著肝纤维化的新型非侵入性诊断模型.
• 为了比较一个新的名ogram和机器学习模型与传统方法的性能.
• 确定与肝纤维化风险相关的关键临床因素.

主要方法:

• 在259名CHB患者的队列中,使用单变量和多变量回归分析开发名录.
• 构建和评估六个机器学习模型,包括随机森林 (RF).
• 使用ROC曲线下的面积 (AUC),灵敏度,特异性,NPV,PPV和F1得分来评估诊断性能.

主要成果:

• 开发的诺米图表显示出出色的诊断效率,AUC为0.806.
• 在AUC和预测性能方面,名图表表现优于传统的非侵入性诊断模型.
• 随机森林模型在评估的机器学习模型中达到0.819的最高AUC.

结论:

• 这种新型的诺米图谱提供了一种可靠的工具,用于在CHB患者中对显著肝纤维化进行非侵入性诊断.
• 随机森林模型与其他机器学习模型相比,具有更高的准确性.
• 确定关键的临床因素有助于理解和管理肝纤维化风险.