在成年人中预测代谢功能障碍相关的脂肪肝疾病表型:两阶段对比学习方法

科学领域:

• 肝病学和数据科学
• 机器学习在医学中的应用.
• 个性化医疗和风险预测

背景情况:

• 代谢功能障碍相关的脂肪肝疾病 (MAFLD) 是慢性肝病的重要原因,可能会进展为纤维化或癌症.
• 目前的分析方法往往无法捕捉MAFLD的多系统性质,内原型变异性和动态进展.
• 这些局限性阻碍了对MAFLD患者进行准确的风险分层和个性化干预策略.

研究的目的:

• 开发和验证一种新的,多阶段的基于对比学习的方法,用于预测成人MAFLD表型.
• 利用多视图对比学习来建模临床和调查数据中的个体异质性和关系.
• 加强临床决策,促进对MAFLD的个性化护理.

主要方法:

• 利用了来自4408名成年人的人口,临床,生活方式和遗传家族史数据.
• 采用两阶段的对比学习方法来建模互补的数据视图和个体患者表示.
• 评估了与使用回忆,精度,F1得分和AUC的八种基准方法的预测性能,并对Shapley的解释性进行了附加解释.

主要成果:

• 提出的对比学习方法在MAFLD表型预测方面显著超过了所有基准方法.
• 在F1得分方面取得了实质性的改善:与最佳基准相比,非糖尿病MAFLD的32.8%和糖尿病MAFLD的30.4%.
• 证明了整合各种数据源的临床实用性,用于预测MAFLD表型.

结论:

• 新的对比学习方法为MAFLD表型预测提供了一种可行和有效的方法.
• 这种方法提高了与现有的数据驱动分析相比,对有风险的成年人进行识别.
• 这些发现支持改善临床决策,以患者为中心的护理和MAFLD的管理.