基于机器学习算法的慢性C型肝炎患者的肝硬化诊断辅助:一种新的非侵入性方法
Emre Dirican1, Tayibe Bal2, Yusuf Onlen2
1Department of Biostatistics, Faculty of Medicine, Hatay Mustafa Kemal University, Hatay, Turkey.
Journal of clinical laboratory analysis
|May 19, 2025
概括
机器学习使用常规实验室测试准确预测慢性型肝炎患者的肝硬化. 关键指标包括血小板计数,阿尔法-胎蛋白,年龄,GGT和前列血时间.
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
- 生物统计学 生物统计学
背景情况:
- 在慢性型肝炎 (CHC) 中检测肝硬化对于患者管理至关重要.
- 常规实验室检查为非侵入性肝硬化评估提供了一个潜在的途径.
- 机器学习 (ML) 算法可以分析复杂的数据集以确定预测模式.
研究的目的:
- 确定关键的实验室特征及其切断值,以预测CHC患者的肝硬化.
- 评估ML算法在基于常规测试的肝硬化分类中的性能.
- 建立一个准确的基于ML的模型来检测肝硬化.
主要方法:
- 来自多中心注册表的1164名生物检测证明的CHC患者的回顾性分析.
- 应用三个ML算法来分类肝硬化存在/不存在.
- 功能重要性分析以确定关键的预测性实验室测试.
主要成果:
- 随机森林 (RF) 算法获得了最高的性能 (精度=0.89,AUC=0.87).
- 肝硬化预测最重要的特征是血小板计数,阿尔法-胎蛋白 (AFP),年龄,玛-氨基转移酶 (GGT) 和前列血时间 (PT).
- 为这些特征确定了特定的切线值,证明了显著的风险系数 (例如,血小板<182,000/mm3).
结论:
- 基于RF的ML模型有效地以高精度对CHC患者的肝硬化进行分类.
- 确定了主要的实验室特征和切断值,为医生在肝硬化检测中提供了宝贵的工具.
- 阿尔法-胎蛋白 (AFP) 成为一个重要的预测因子,尽管它不是当前非侵入性指数的一部分.
