基于血清生物标志物的家族聚合HBV相关肝细胞癌的预测模型
Linmei Zhong1, Guole Nie2, Qiaoping Wu3
1Postgraduate Training Base Alliance, Wenzhou Medical University, Wenzhou, Zhejiang, People's Republic of China.
Cancer reports (Hoboken, N.J.)
|June 24, 2025
概括
使用Native Bayes的新预测模型可以识别患有乙型肝炎病毒 (HBV) 相关肝癌 (HCC) 高风险的患者. 这种工具有助于临床决策,用于早期检测和改善家族聚合HBV病例的治疗结果.
科学领域:
- 肝病学和病毒瘤学
- 生物统计学和预测建模
- 临床诊断 临床诊断 临床诊断
背景情况:
- 在家族聚集性乙型肝炎病毒 (HBV) 感染中,肝细胞癌 (HCC) 风险评估对于及时干预至关重要.
- 早期检测和监测可以改善预后,减少HCC发病率.
研究的目的:
- 开发一种简单可靠的HCC风险预测模型,用于家族聚合HBV患者.
- 确定与HCC发展相关的关键临床实验室指标.
主要方法:
- 对1285名家族聚合HBV患者的临床实验室数据的分析.
- 应用单变量和多变量逻辑回归 (LR) 来识别风险因素.
- 开发和比较多种机器学习模型,包括Native Bayes,LR,分类和回归树,Bagged tree,AdaBoost和随机森林.
主要成果:
- 血红蛋白 (Hb),中性粒细胞百分比 (NP),总蛋白质 (TP),谷氨基甲酸酶 (GGT),阿尔果糖酶α (AFU),AST/ALT比率 (AAR) 和α-胎蛋白 (AFP) 被确定为HCC的独立危险因素.
- 本地贝斯模型实现了最高的预测性能,曲线下的面积 (AUC) 为0.749.
- 多变量LR模型作为基准,其AUC为0.737.
结论:
- 本地贝叶斯模型在家族聚合的HBV患者中显示出对HCC的优异预测能力.
- 该模型可以帮助临床医生识别高风险个体,以进行有针对性的监测和管理.
- 改善临床决策可以带来更好的患者结果和HCC预防.
