基于机器学习的模型的开发和验证,用于预测肝纤维化和MASH
Maojie Liu1, Longfeng Jiang2, Juan Yang1
1Department of Epidemiology.
Journal of clinical gastroenterology
|April 29, 2025
概括
机器学习模型使用常规数据准确地识别代谢功能障碍相关的脂肪肝炎 (MASH) 和显著的肝纤维化. 与现有的评分系统相比,这些非侵入性测试提供了更好的诊断性能.
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
- 机器学习在医学中的应用
背景情况:
- 准确的非侵入性测试对于识别代谢功能障碍相关的脂肪肝炎 (MASH) 和肝纤维化至关重要.
- 早期诊断对于有效的患者管理和治疗策略至关重要.
研究的目的:
- 使用机器学习开发和验证两种非侵入性诊断模型.
- 这些模型旨在识别患有MASH和显著纤维化 (2-4阶段) 的患者.
- 将开发模型的性能与现有的非侵入性评分系统进行比较.
主要方法:
- 使用后勤回归,随机森林,支持向量机和XGBoost算法.
- 在两个中国医院的患者数据上训练并验证模型 (n=456培训,n=105验证).
- 使用接收器操作特征曲线 (AUROC) 下面的区域与七个已建立的评分系统进行模型性能比较.
主要成果:
- 最终的非侵入性模型整合了19个常规的临床和实验室指标.
- 在验证组中,XGBoost模型在MASH和显著纤维化检测方面表现出卓越的性能.
- 与现有方法相比,获得了更好的AUROC值 (MASH:0.670,显著纤维化:0.713).
结论:
- 机器学习有效地帮助诊断MASH和显著纤维化.
- 开发的模型基于临床和流行病学数据显示出良好的诊断性能.
- 使用机器学习进行的非侵入性评估为肝病诊断提供了有前途的方法.
