一种机器学习模型,用于在慢性乙型肝炎患者中非侵入性预测晚期肝纤维化

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
• 生物统计学 生物统计学

背景情况:

• 慢性乙型肝炎 (CHB) 是肝纤维化的主要原因.
• 准确,非侵入性纤维化诊断对于CHB患者管理至关重要.
• 机器学习 (ML) 提供了改进诊断工具的潜力.

研究的目的:

• 开发和验证ML模型来预测CHB患者显著的肝纤维化.
• 为了比较不同ML模型与传统纤维化指数的性能.

主要方法:

• 对328名CHB患者 (2017-2022) 的回顾性队列研究.
• 四个ML模型 (RF,XGBoost,LR,SVM) 使用LASSO回归选择的特征开发.
• 使用ROC曲线,AUC,精度,灵敏度,特异性和SHAP分析评估的性能.

主要成果:

• 随机森林 (RF) 模型实现了最高的预测性能 (测试组中的AUC为0.863).
• 射频模型的表现明显优于传统的APRI (AUC0.585) 和FIB-4 (AUC0.633) 指数.
• SHAP分析发现血小板计数 (PLT) 是最有影响力的预测因素.

结论:

• 基于ML的射频模型提供了准确,非侵入性和可解释的CHB显著肝纤维化的预测.
• 该模型有可能在纤维化风险评估中进行常规临床应用.
• 该研究强调了ML在推进CHB诊断中的实用性.