在NHANES 2017-2020.3中基于机器学习算法开发和验证NAFLD新的诊断预测模型
1The Second School of Clinical Medicine, Lanzhou University, Lanzhou, Gansu, 730000, China.
Hormones (Athens, Greece)
|February 12, 2025
概括
机器学习使用逻辑回归准确预测非酒精性脂肪肝 (NAFLD) 风险. 开发的诊断预测名录 (DPN) 为个人NAFLD检测提供了一个简单的工具.
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
- 医疗保健中的机器学习
背景情况:
- 非酒精性脂肪肝 (NAFLD) 是一种与代谢综合征相关的多系统性疾病,对早期检测和管理构成挑战.
- 开发有效的NAFLD预测工具对于及时干预和患者护理至关重要.
研究的目的:
- 开发和验证非酒精性脂肪肝疾病 (NAFLD) 基于机器学习 (ML) 的预测模型.
- 创建简单,个性化的算术工具来预测NAFLD风险.
主要方法:
- 利用了NHANES (2017-2020.3) 数据库中的2428个人的数据.
- 使用LASSO回归选择的特征,并使用七个ML算法构建模型.
- 开发了性能最高的物流回归 (LR) 模型,将其转化为诊断预测名录 (DPN),在线计算器和Excel工具.
主要成果:
- 确定了NAFLD的八个关键预测因素,包括BMI,腰围,ALT,TG,糖尿病,高血压,UA和种族.
- 基于LR的模型实现了0.823的AUC,超过了现有的NAFLD预测指数.
- 与既有模型相比,DPN显示出更高的诊断准确性 (训练中的AUC为0.856,验证中的AUC为0.823) 和临床实用性.
结论:
- 一个高性能后勤回归 (LR) 模型成功地使用机器学习 (ML) 开发用于NAFLD预测.
- 诊断预测名录 (DPN) 作为一种有效的,个性化的工具,用于快速检测NAFLD.
