机器学习预测24周的HBsAg快速血清清除在接受基化干扰素治疗的非活性载体中
Jianxia Dong1, Shan Ren1, Pengxuan Wu1
1The First Unit, Department of Hepatology, Beijing Youan Hospital, Capital Medical University, 8 Xitoutiao, Youan Men Wai, Fengtai District, Beijing, 100069, China.
Hepatology international
|November 17, 2025
概括
一个机器学习模型准确地预测了接受Pegylated干扰素α-2b (Peg-IFN) 治疗的不活跃HBsAg载体中的B型肝炎表面抗原 (HBsAg) 快速血清. 该工具有助于个性化治疗,并确定乙型肝炎患者的最佳停药策略.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 病毒学 病毒学
- 机器学习在医学中的应用
背景情况:
- 接受Pegylated干扰素α-2b (Peg-IFN) 治疗的非活性乙型肝炎携带者 (IHC) 需要治疗反应的预测工具.
- 早期识别快速响应者可以优化治疗持续时间和结果.
研究的目的:
- 确定预测在第24周快速乙型肝炎表面抗原 (HBsAg) 血清清除的因素.
- 开发一种机器学习模型,用于在IHC患者中个性化Peg-IFN治疗策略.
主要方法:
- 对2882名用Peg-IFN.治疗的IHC患者进行了回顾性分析.
- 使用LASSO回归和Boruta算法进行特征选择.
- 开发和验证9个机器学习模型,包括光梯度增强机 (Light GBM).
主要成果:
- 在第24周,总体HBsAg血清清除率为18.7%.
- 关键预测因素包括基线HBsAg,12周HBsAg下降,ALT/HBsAg比率,HBV DNA和HBsAb水平.
- 轻型GBM模型在预测血清清除时实现了高准确性 (AUC 0.902培训,0.917外部验证).
结论:
- 一个LightGBM模型准确地预测Peg-IFN的IHC患者的HBsAg血清清除速度快.
- 该模型有助于早期识别快速响应者以进行个性化治疗和停药.
- 基于模型预测的个性化停止规则支持精密治疗.
