开发和验证用于识别慢性乙型肝炎儿童显著肝纤维化的预测工具:可解释的机器学习模型

科学领域:

• 儿科肝病学 儿科肝病学
• 机器学习在医学中的应用
• 生物标志物发现发现

背景情况:

• 准确评估肝纤维化对于管理儿科慢性乙型肝炎 (CHB) 至关重要.
• 目前的非侵入性测试在儿童中缺乏足够的预测能力.
• 这项研究解决了改善儿科CHB非侵入性纤维化评估的需要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于识别CHB儿童的显著肝纤维化.
• 将ML模型的性能与已确定的非侵入性标记器进行比较.
• 为早期纤维化检测提供一种新的,非侵入性的工具.

主要方法:

• 对479名患有CHB的儿童进行回顾性分析,这些儿童接受了肝活检.
• 使用培训和验证套件开发和验证六个ML模型.
• 使用曲线下面面积 (AUC) 的最佳ML模型与FIB-4,APRI,AAR和LSM进行比较.

主要成果:

• 最终的ML模型,包括B型肝炎表面抗原,B型肝炎e抗体,γ-谷氨基转移酶和性酸酶,实现AUC为0.85 (训练) 和0.81 (验证).
• 在ML模型的表现显著超过APRI,FIB-4,AAR和LSM (AUC范围:0.44-0.72).
• 预测模型的在线版本可用.

结论:

• 开发的ML模型提供了一种可视化,个性化和非侵入性方法,用于检测儿科CHB患者的显著肝纤维化.
• 这种工具可以提高早期识别和监测肝纤维化.
• 该模型代表了儿童非侵入性纤维化评估的重大进步.