基于机器学习的模型用于非酒精性脂肪肝炎患者的晚期纤维化:一个队列研究
Fei-Xiang Xiong1, Lei Sun1,2, Xue-Jie Zhang1
1Center of Integrative Medicine, Beijing Ditan Hospital, Capital Medical University, Beijing 100015, China.
World journal of gastroenterology
|March 10, 2025
概括
一个新的机器学习模型准确地诊断了非酒精性脂肪肝炎 (NASH) 患者的晚期肝纤维化,超过了传统的得分. 这种非侵入性方法有助于临床医生进行风险评估.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 机器学习在医学中的应用
- 诊断模型开发的发展.
背景情况:
- 非酒精性脂肪肝炎 (NASH) 构成了全球健康挑战,晚期肝纤维化增加了不良结果.
- 在NASH中早期和准确诊断晚期肝纤维化对于患者管理至关重要.
研究的目的:
- 开发和验证基于机器学习的诊断模型,用于NASH患者晚期肝纤维化.
- 将机器学习模型的诊断性能与传统评分系统进行比较.
主要方法:
- 利用了749名接受肝活检的NASH患者的数据,随机将他们分配到培训 (n=522) 和验证 (n=224) 队列.
- 应用了五种机器学习模型,使用Shapley添加式解释 (SHAP) 进行特征选择,以预测晚期肝纤维化.
- 使用AUROC,DCA和校准曲线评估模型性能,与APRI和FIB-4分数进行比较.
主要成果:
- 极端梯度增强 (XGBoost) 模型显示了高的诊断准确性 (AUROC 0.934培训,0.917验证).
- 结合肝硬度测量显著改善了XGBoost的性能 (AUROC 0.977培训,0.970验证),表现优于APRI和FIB-4.
- 通过决策曲线和校准分析,XGBoost显示出卓越的临床效用.
结论:
- XGBoost模型提供了一个高度准确的,非侵入性的方法来诊断NASH患者的晚期肝纤维化.
- 这种机器学习模型在性能和临床实用性方面超过了传统的诊断分数.
- 已经开发了一个在线工具,以促进NASH中晚期肝纤维化临床风险评估.
