一个可解释的机器学习模型,用于预测2型糖尿病患者的代谢功能障碍相关的脂肪性肝病

科学领域:

• 肝病学 肝病学是一种肝病学.
• 内分泌学 在内分泌学.
• 数据科学数据科学数据科学

背景情况:

• 2型糖尿病 (T2DM) 患者患有高频率的与代谢功能障碍相关的脂肪性肝病 (MASLD).
• 现有的非侵入性诊断工具在这个患者群体中的准确性有限.
• 需要改进MASLD在T2DM中的风险预测模型.

研究的目的:

• 开发和验证T2DM患者MASLD风险的预测模型.
• 为了确定MASLD风险预测的关键临床特征.
• 为T2DM中MASLD的早期识别和分层管理提供一个工具.

主要方法:

• 收集了3836名T2DM患者的临床数据.
• 开发了8个机器学习模型,包括XGBoost,用于预测MASLD风险.
• 使用AUROC,AUPRC和其他指标评估模型性能;采用Shapley附加解释解释性.

主要成果:

• 该XGBoost模型表现出最佳的性能,AUROC为0.873和AUPRC为0.904.
• 13个临床特征变量被确定为重要的预测因素.
• 无监督的聚类揭示了T2DM人群中独特的高风险MASLD子组.

结论:

• 开发了一种可靠和可解释的机器学习模型,用于对T2DM患者的MASLD风险预测.
• 该模型利用常见的临床数据,促进实际应用.
• 该工具支持在T2DM中对MASLD的常规识别和分层管理.