机器学习模型在不活跃的慢性乙型肝炎患者中预测非酒精性脂肪性肝病的应用:横截面分析

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
• 预测分析是一种预测分析.

背景情况:

• 非酒精性脂肪性肝病 (NAFLD) 构成了严重的健康负担,特别是在慢性乙型肝炎 (CHB) 患者身上.
• 在CHB患者中准确预测NAFLD对于及时管理和预防并发症至关重要.
• 现有研究强调了需要先进的分析方法来识别NAFLD预测因素在这个人群.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测非活性CHB患者的NAFLD.
• 在研究队列中确定NAFLD的主要人口,临床和实验室预测因素.
• 为了比较各种ML分类算法在识别NAFLD方面的性能.

主要方法:

• 一项涉及苏丹卡布斯大学医院450名不活跃的CHB患者的横截面研究.
• 开发和验证五种ML模型:物流回归,随机森林,XGBoost,SVM和MLP.
• 对人口,临床和实验室数据的分析,以确定NAFLD的预测特征.

主要成果:

• 在不活跃的CHB患者中,NAFLD的患病率为50.22%.
• 随机森林模型表现出优异的性能 (ROC AUC:0.983),紧随其后的是XGBoost和MLP.
• 重要的预测因素包括血小板数 (负预测因素),低密度脂蛋白 (LDL) 和氨酸转移酶 (ALT) (积极预测因素).

结论:

• 机器学习模型,特别是随机森林模型,在预测不活跃CHB患者的NAFLD方面非常有效.
• 该研究确定了一些关键的临床和实验室标志物,可以帮助早期检测NAFLD.
• 这些发现支持将ML工具整合到改善NAFLD管理和针对CHB患者的针对性干预.