在慢性胰腺炎中预测胰腺酶补充疗法的不遵守:基于机器学习的方法

科学领域:

• 胃肠病学和肝病学
• 医疗信息学 医疗信息学
• 患者坚持的研究研究.

背景情况:

• 慢性胰腺炎经常导致胰腺外分泌功能不全 (PEI).
• 胰腺酶替代疗法 (PERT) 是PEI的标准治疗方法.
• 尽管PERT有好处,但不遵守PERT会带来重大临床挑战.

研究的目的:

• 使用机器学习 (ML) 算法识别PERT不符合规定的预测因素.
• 分析患者报告的不遵守PERT的原因.
• 开发一种工具,用于识别患有PERT违规风险的患者.

主要方法:

• 在PERT.上对两组慢性胰腺炎患者进行前性观察性研究.
• 机器学习算法,包括XGBoost和SHAP分析,用于识别第1组的不合规预测因素.
• 进行了详细的患者访谈,以收集二号队列不合规的原因.

主要成果:

• 机器学习确定疾病持续时间,年龄,低脂肪饮食,农村居住和教育状况是PERT不合规的强有力的预测因素 (AUC=0.91).
• 基于这些预测因素,制定了一个不合规 (NC) 评分.
• 高昂的治疗费用 (34.1%),疏忽 (19.4%) 和不良反应 (10.9%) 是患者报告的不遵守的主要原因.

结论:

• 机器学习有效地确定了慢性胰腺炎中PERT不合规性的关键预测因素.
• 开发的NC分数可以帮助识别有风险的患者进行有针对性的咨询.
• 建议在更大的多中心队列中验证NC得分.