基于健康检查队列的非酒精性脂肪肝疾病的机器学习生存模型

科学领域:

• 肝病学 肝病学是一种肝病学.
• 数据科学在医学中的数据科学
• 预测建模预测建模

背景情况:

• 非酒精性脂肪肝 (NAFLD) 是一个日益严重的全球健康问题.
• 准确的风险预测对于早期干预和管理至关重要.
• 现有的模型可能在捕捉时间风险动态方面缺乏精度.

研究的目的:

• 使用随机生存森林 (RSF) 开发和验证NAFLD风险的准确预测模型.
• 调查NAFLD风险的时间分布.
• 将RSF的性能与传统的Cox模型进行比较.

主要方法:

• 对18250名患者进行回顾性队列研究,每年进行一次健康检查.
• 使用LASSO回归的特征选择.
• 使用Cox和RSF方法开发和评估预测模型.
• 性能指标包括IAUC, tAUC,IBS和PE.

主要成果:

• 与考克斯模型 (iAUC=0.759,iBS=0.148) 相比,RSF模型显示出更好的区分 (iAUC=0.856) 和校准 (iBS=0.116).
• 确定了14个关键预测因素.
• RSF有效地将患者分为高风险和低风险组,其NAFLD无病时间显著不同 (20.86个月与36.76个月).

结论:

• 开发的RSF模型为NAFLD风险预测提供了一个高度准确和强大的工具.
• 在预测NAFLD风险方面,RSF显著优于考克斯模型.
• 该模型为随着时间的推移NAFLD风险进展提供了有价值的见解,使得更好的患者分层成为可能.