使用以色列电子健康记录,Fibro在一般人群中预测晚期肝纤维化的机器学习风险得分
Iris N Kalka1,2, Rawi Hazzan3,4, Nancy-Sarah Yacovzada1,5
1Department of Computer Science and Applied Mathematics, Weizmann Institute of Science, Rehovot, Israel.
Scientific reports
|August 31, 2025
概括
一种新的机器学习模型Fibro-Predict可以通过常规血液测试在一般人群中早期检测到晚期肝纤维化. 这种工具有助于优先选择患者进行查,并有可能减少肝病死亡.
科学领域:
- 肝病学
- 医疗信息学
- 在医疗保健中的机器学习
背景情况:
- 肝脏疾病,包括肝硬化,导致全球严重的死亡率.
- 目前的晚期肝纤维化诊断方法常常会错过一般人群中的病例.
- 早期检测对于改善患者的结果和降低死亡率至关重要.
研究的目的:
- 开发和验证Fibro-Predict,一个用于早期检测晚期肝纤维化的机器学习模型.
- 利用全国范围的电子健康记录 (EHR) 进行广泛的人口查.
- 提高患者的优先级,以便及时诊断和干预.
主要方法:
- 使用超过220万次观察的回顾性EHR数据构建了一个诊断框架.
- 纤维预测模型使用渐变增强树 (XGBoost) 来预测五年疾病轨迹.
- 模型验证包括时间分析和使用过渡性弹性图的外部前性验证.
主要成果:
- 在训练组中,Fibro- Predict的5年AUC为0. 81%,在验证组中为0. 79.
- 在临床验证中,Fibro- Predict的真实阳性率 (TPR) 为36. 8%,明显超过FIB-4 (3. 7%).
- 该模型仅依靠常规血液测试和人口统计数据进行成本有效的查.
结论:
- Fibro-Predict提供了一种有价值,具有成本效益的工具,用于优先对一般人群进行晚期肝纤维化查.
- 利用电子病历数据可以更早,更广泛地识别有风险的患者.
- 这种方法可以简化临床随访,加快诊断,减少肝病发病率和死亡率.
