在不活跃的HBsAg载体中经过48周的基化干扰素治疗后,HBsAg血清清除的机器学习模型:一项回顾性研究
Jianxia Dong1, Shan Ren1, Jing Zhao1
1The First Unit, Department of Hepatology, Beijing Youan Hospital, Capital Medical University, 8 Xitoutiao, Youan men wai, Fengtai District, Beijing, 100069, China.
Virology journal
|November 23, 2025
概括
一个新的随机森林模型准确地预测B型肝炎表面抗原 (HBsAg) 清除在不活跃的HBsAg载体 (IHC) 治疗基化干扰素 (Peg-IFN). 早期预测有助于量身定制治疗策略,以改善治疗结果.
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:
- 不活跃的乙型肝炎表面抗原载体 (IHC) 是一个重要的全球健康问题.
- 佩吉化干扰素 (Peg-IFN) 治疗用于实现乙型肝炎表面抗原 (HBsAg) 清除.
- 预测早期的治疗反应对于优化治疗策略至关重要.
研究的目的:
- 在IHC患者接受Peg-IFN治疗后,在48周内确定HBsAg清除的早期预测因素.
- 开发和验证用于早期预测HBsAg清除的机器学习模型.
主要方法:
- 对777名用Peg-IFN.治疗的IHC患者的前性队列的回顾性分析.
- 应用LASSO回归和Boruta算法用于变量选择.
- 开发和评估9个机器学习模型,包括随机森林 (RF),使用10倍交叉验证和外部验证队列.
主要成果:
- 在48周的整体HBsAg清除率为29.9%.
- 确定的主要预测因素包括基线HBsAg水平,12周的HBsAg下降>1log IU/mL,12周的ALT/HBsAg比率.
- 射频模型在训练组中实现了0.829的AUC,在验证组中达到0.838,具有高特异性.
结论:
- 一个基于随机森林的模型准确地预测了接受Peg-IFN.IHC患者的HBsAg清除率.
- 这种模型可以作为一种有价值的工具,用于早期识别可能达到HBsAg清除的患者.
- 早期预测促进了个性化治疗策略,以改善患者管理.
