一个基于机器学习的预测模型,用于48周的B型肝炎表面抗原血清清除在慢性乙型肝炎患者治疗基化干扰素α-2b:预测在24周的预测
Nan Kong1, Kaixia Wang1, Yiling Wang1
1Department of Infectious Diseases, Shanghai East Hospital, Tongji University School of Medicine, Shanghai, China.
Frontiers in cell and developmental biology
|December 12, 2025
概括
机器学习准确地预测B型肝炎治疗的成功. 随机森林模型识别了可能实现B型肝炎表面抗原血清清除早期的患者,优化治疗.
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:
- 慢性乙型肝炎 (CHB) 是由乙型肝炎病毒 (HBV) 引起的肝炎感染.
- 基化干扰素α-2b (PEG-IFNα-2b) 是心脏病的关键治疗方法,但患者的反应有很大差异.
- 乙型肝炎表面抗原 (HBsAg) 血清清除是治疗目标之一,但很少有患者达到这一目标,因此需要预测早期反应.
研究的目的:
- 为早期识别可能对PEG-IFNα-2b治疗产生良好的反应的CHB患者开发一种有效的方法.
- 构建和评估机器学习模型,用于预测48周的HBsAg血清清除.
主要方法:
- 分析了在"OASIS"项目中接受PEG-IFNα-2b治疗的680名CHB患者的数据.
- 五个机器学习特征选择算法确定了HBsAg血清清除的关键预测变量.
- 使用这些变量构建了12个机器学习模型,随机森林模型被选为最佳.
主要成果:
- 在五个特征选择算法中确定了11个关键变量.
- 随机森林模型在预测48周的HBsAg血清清除方面表现优异.
- 模型性能使用接收器运行特征曲线下的面积 (AUC) 和决策曲线分析 (DCA) 进行了验证.
结论:
- 随机森林模型使用24周治疗指标准确预测48周的HBsAg血清.
- 这种预测模型为优化CHB患者临床治疗策略提供了宝贵的工具.
- 早期识别治疗响应者可以导致更个性化和更有效的乙型肝炎管理.
更多相关视频
10:37Analysis of HBV-Specific CD4 T-cell Responses and Identification of HLA-DR-Restricted CD4 T-Cell Epitopes Based on a Peptide Matrix
Published on: October 20, 2021
3.4K
11:34A Competent Hepatocyte Model Examining Hepatitis B Virus Entry through Sodium Taurocholate Cotransporting Polypeptide as a Therapeutic Target
Published on: May 10, 2022
2.6K
