在接受Peg-IFN治疗的慢性乙型肝炎患者中预测功能治愈的可解释机器学习模型:一项多中心研究

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
• 病毒学 病毒学

背景情况:

• 功能性治疗是治疗慢性乙型肝炎 (CHB) 的首要目标.
• 需要预测模型来识别可能通过治疗实现功能治愈的CHB患者.
• 基化干扰素 (Peg-IFN) 是CHB的关键治疗方式.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测接受Peg-IFN治疗的CHB患者的功能治愈.
• 确定最佳时间点和临床变量,以预测功能治愈.
• 为临床医生创建一个实用的工具来评估治疗疗效.

主要方法:

• 对534名CHB患者进行模型构建和269名外部验证的回顾性分析.
• 使用基线,第12周和第24周的数据开发了七个ML模型.
• 通过Boruta和LASSO回归进行变量选择,使用AUC,灵敏度,特异性和F1得分进行性能评估.

主要成果:

• 在第24周,支持矢量机 (SVM) 模型显示出与基线和第12周策略相比,更高的预测性能 (AUC = 0.981).
• 关键预测因素包括年龄,12周的ALT比率和24周的HBsAg/HBsAg比率.
• 为方便的临床预测,开发了一个基于Web的动态名录.

结论:

• 一个SVM模型有效地预测Peg-IFN治疗的CHB患者的功能治愈,特别是在24周评估时.
• 开发的网络工具可以为CHB患者个性化预测Peg-IFN治疗疗效.
• 这种方法增强了CHB管理的临床决策.