机器学习模型使用非侵入性测试和B模式超声波来预测与代谢功能障碍相关的脂肪性肝病中的肝脏相关结果
Heather Mary-Kathleen Kosick1,2, Chris McIntosh3,4, Chinmay Bera5,3
1Division of Gastroenterology, University Health Network Toronto, Toronto General Hospital, 200 Elizabeth Street, Toronto, ON, M5G 2C4, Canada. heather.evans@medportal.ca.
Scientific reports
|July 8, 2025
概括
使用临床和生化数据的机器学习模型准确地预测了代谢功能障碍相关的脂肪性肝病 (MASLD) 纤维化的不良结果. 超声波数据并没有显著改善预测,突出显示了易于获取的患者信息对于风险评估的重要性.
科学领域:
- 肝病学和胃肠道学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 中的晚期纤维化 (F3-4) 与肝脏的不良结果有关.
- 目前的非侵入性测试 (NIT) 缺乏预测MASLD预后的可靠性.
- 对于MASLD结果的B模式超声波 (美国) 的预测价值仍然不清楚.
研究的目的:
- 开发和评估机器学习 (ML) 算法,用于预测MASLD中与肝脏相关的不良结果.
- 评估ML模型中简单的NIT和US参数在结果预测中的实用性.
- 确定多中心MASLD队列中不良结果的关键预测因素.
主要方法:
- 一项回顾性队列研究包括457名成年MASLD患者在2010-2021年间进行了活检.
- 使用临床,生化和美国数据构建了随机森林ML模型.
- 模型预测了肝脏衰减,肝脏相关的结果,肝细胞癌 (HCC),肝脏相关的死亡率,晚期纤维化 (F3-4),纤维化MASH.
- 用曲线下的面积 (AUC) 来评估模型性能.
主要成果:
- ML模型表现出肝脏衰减 (AUC 0.90) 和整体肝脏相关结果 (AUC 0.87) 的强有力的预测性表现.
- 还观察到与肝脏相关的死亡率 (AUC 0.79),晚期纤维化 (AUC 0.83) 和纤维性MASH (AUC 0.74) 的预测精度.
- 生物化学 (FIB-4,AST:ALT比率) 和临床 (年龄) 变量是最重要的特征,表现优于美国参数.
结论:
- 结合临床和生化数据的ML模型有效预测MASLD患者的不良结果.
- 在这个队列中,B模式US参数对结果预测没有显著的贡献.
- 简单,易于获得的临床和生化标志物对于MASLD风险分层至关重要.
