开发和验证基于机器学习的标记器,用于早期检测和预后非酒精性脂肪肝疾病的分层分层
Lushan Xiao1,2, Lin Zeng1,2,3, Jiaren Wang1,2
1Department of Health Management, Nanfang Hospital, Southern Medical University, Guangzhou, 510515, China.
概括
一个新的机器学习模型准确地识别了非酒精性脂肪肝疾病 (NAFLD) 高风险的个体,并预测了严重的肝病 (SeLD). 该工具有助于早期检测和个性化管理NAFLD和相关的代谢并发症.
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
- 遗传学 是一个遗传学.
背景情况:
- 非酒精性脂肪性肝病 (NAFLD) 是慢性肝病的主要原因,也是代谢综合征的关键指标.
- NAFLD与不良健康结果有关,需要早期识别和风险分层.
研究的目的:
- 开发和验证用于早期NAFLD检测和预后的多模式机器学习模型.
- 为NAFLD (ISNLD) 创建一个in-silico分数,用于风险分层和严重肝病 (SeLD) 的预测.
主要方法:
- 使用来自英国生物银行和南方医院的遗传和临床数据构建了一个堆叠的多式机器学习模型.
- 该模型整合了来自36,490名英国生物库参与者和9,007名南方医院参与者的数据.
- 用训练,内部和外部测试集的曲线下面积 (AUC) 度量来评估模型的性能.
主要成果:
- 该模型实现了令人满意的分类性能,AUC为0.843 (培训),0.840 (内部) 和0.872 (外部).
- 在高风险个体中,ISNLD得分与肝脏内和代谢并发症有显著的相关性,即使在调整了生活方式因素之后.
- ISNLD在预测SeLD和分层高风险人群成具有不同不良结果风险的子组方面表现出有效性.
结论:
- 多式联运模型有效地整合了各种数据,以生成ISNLD用于早期NAFLD检测和预后评估.
- 通过使用非侵入性数字标记,ISNLD促进了NAFLD和相关代谢结果的个性化风险分层.
- 这些发现支持ISNLD用于NAFLD患者的及时预防干预.
