机器学习模型用于预测中国甲维持患者的C型肝炎血清转化.
Xinyu Lu1, Qing Yue2, He Jing3
1Shanghai Mental Health Center, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
BMJ public health
|September 8, 2025
概括
在接受甲维持治疗 (MMT) 的阿片类药物使用者中,C型肝炎病毒 (HCV) 感染风险现在可以预测. 一个XGBoost模型准确地识别出高风险的HCV血清转化个体,帮助早期干预.
科学领域:
- 传染性疾病 传染性疾病
- 公共卫生 公共卫生
- 数据科学数据科学数据科学
背景情况:
- 型肝炎病毒 (HCV) 构成了重大的公共卫生挑战,特别是在接受甲维持治疗 (MMT) 的阿片类药物成患者中.
- 虽然MMT计划可以减少艾滋病毒的传播,但HCV感染风险在这些环境中仍然很高.
- 准确预测HCV血清转化对于有效的患者管理和降低危害至关重要.
研究的目的:
- 开发和验证HCV血清转换在MMT计划中的个体中的预测模型.
- 确定导致该人群中HCV风险的关键因素.
- 创建一个工具,用于早期识别高风险个体.
主要方法:
- 分析了来自上海1547名和中国明阳283名接受MMT的个体的数据.
- 在四个机器学习模型中纳入了13个预测因素.
- 极端梯度提升 (XGBoost) 模型是使用内部和外部队列开发和验证的.
主要成果:
- XGBoost模型在预测HCV血清转化方面表现出卓越的表现.
- 获得高C指数:0.793 (培训),0.744 (内部验证) 和0.756 (外部验证).
- 基于验证的模型创建了一个公开可访问的网络工具.
结论:
- 开发的XGBoost模型准确地预测了MMT计划中高风险的HCV血清转换的个体.
- 这种工具可以支持有针对性的干预措施,并改善阿片类药物成人口的健康结果.
- 这些发现突显了机器学习在公共卫生监测和风险预测方面的潜力.


