使用常规生物标志物的Epstein-Barr病毒风险预测在性结肠炎和克罗恩病中的可解释组合学习

科学领域:

• 机器学习在医学中的应用
• 病毒学和免疫学 病毒学和免疫学
• 胃肠病学 胃肠病学

背景情况:

• 众所周知,爱斯坦-巴尔病毒 (EBV) 会使炎症性肠病 (IBD) 的结果恶化.
• 目前在IBD患者中监测EBV的方法通常是侵入性的或昂贵的.
• 在IBD管理中需要可访问和准确的EBV检测.

研究的目的:

• 研究可解释机器学习 (ML) 在预测EBV感染方面的实用性.
• 利用常规临床数据,在性结肠炎 (UC) 和克罗恩病 (CD) 中进行非侵入性EBV预测.
• 在IBD亚型中确定EBV感染的关键临床预测因子.

主要方法:

• 一项回顾性研究分析了2018年6月至2022年12月期间274名IBD患者 (CD和UC) 的数据.
• 使用十个分类器开发了一个集体ML模型,前四个被堆叠在一起以提高预测.
• 为了模型的解释性,采用了沙普利添加式解释 (SHAP),确定了重要的预测因素,如年龄,血红蛋白,总胆汁酸和血小板数量.

主要成果:

• 整体模型实现了高预测准确度,ROC曲线下的面积 (AUC) 值在整体,CD和UC队列的培训和验证集中从0.88到0.97不等.
• 在SHAP分析中,在不同IBD亚型中发现了EBV风险的明显预测因素:年龄 (总体,CD),总胆汁酸 (UC) 和血小板数 (总体).
• 该模型表现出强大的性能,表明从常规临床变量预测EBV状态的可行性.

结论:

• 可解释的ML模型可以使用随时可用的临床数据准确预测IBD患者的EBV感染.
• 该研究强调了特定的生物标志物 (年龄,HB,TBA,PLT),这些生物标志物对于预测IBD亚型中的EBV状态至关重要.
• 这种方法为IBD的EBV监测提供了一个有希望的,非侵入性的策略,需要进一步的前性验证和临床整合.