生存机器学习模型用于预测代谢功能障碍相关的脂肪肝病患者的全因和特定病例死亡风险

科学领域:

• 心脏病学 心脏病学
• 肝病学 肝病学是一种肝病学.
• 数据科学数据科学数据科学

背景情况:

• 与代谢功能障碍相关的脂肪肝疾病 (MAFLD) 与增加的死亡率有关.
• 有限的研究利用生存机器学习来预测MAFLD死亡率.

研究的目的:

• 用生存机器学习模型预测MAFLD患者的全因和循环系统疾病 (CSD) 死亡率.
• 确定MAFLD死亡率的关键预测因素.

主要方法:

• 对4415名患有MAFLD的NHANES参与者的分析.
• 应用和比较五种生存模型:梯度增强生存 (GBS),额外生存树 (EST),Cox比例危险 (CoxPH) 和弹性网调节的Cox比例危险 (CoxNet).
• 使用Shapley添加式解释 (SHAP) 进行预测器识别.

主要成果:

• 机器学习模型表现出高预测准确度.
• 对于全因死亡率来说,GBS是最佳的;对于CSD死亡率来说,EST是最佳的.
• 全因死亡率的关键预测因素:年龄,性别,血小板数,高密度胆固醇,吸烟状态. 心血管疾病死亡率的关键预测因素:年龄,BUN,缩血压,心脏病发作史,性别.

结论:

• 生存机器学习模型有效预测MAFLD的死亡风险.
• SHAP分析提供了对个体风险概况的透明见解,并有助于临床解释.
• 优化的模型改善了MAFLD患者的风险分层.