一个简单的基于实验室的机器学习模型准确地预测了代谢功能障碍相关的性肝病患者的晚期肝纤维化

科学领域:

• 肝病学 肝病学是一种肝病学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 与代谢功能障碍相关的脂肪性肝病 (MASLD) 影响了全球近四分之一的人口.
• 目前的诊断依赖于侵入性肝脏活检,限制了广泛的查.
• 对于在MASLD中评估肝纤维化的非侵入性方法非常需要.

研究的目的:

• 开发和验证用于评估MASLD患者晚期肝纤维化的机器学习 (ML) 模型.
• 将开发的ML模型的性能与已建立的非侵入性得分 (FIB-4和APRI) 进行比较.

主要方法:

• 从活检证明的MASLD患者的电子病历的回顾性分析.
• 使用人口统计,临床和肝脏活检数据开发14个ML模型.
• 与FIB-4和APRI进行先进纤维化检测的最佳性能ML模型 (FAET) 的比较.

主要成果:

• 使用13个特征的FAET模型实现了84%的准确性,0.82 AUC,0.77 F1得分,0.81 NPV和0.91 PPV.
• 与FIB-4和APRI相比,FAET表现优越,显著提高了准确性,AUC,F1得分,NPV和PPV.
• 使用五个特征的简化版本在外部测试集上实现了82%的准确性和0.80 AUC,从而实现了基于网络的工具.

结论:

• 在MASLD中FAET模型代表了高级纤维化的非侵入性评估的重大进步.
• 在等待进一步验证的情况下,FAET显示出在MASLD患者中常规临床使用的潜力.
• 这种ML方法为侵入性肝活检提供了更准确,更容易获得的诊断替代方案.