在HVPG测量之前预测肝脏内毒毒突变的非侵入性模型:多重队列研究
Rufeng Chen1,2,3, Li Ma1,2,3, Yaozu Liu1,2,3
1Department of Interventional Radiology, Zhongshan Hospital, Fudan University, No. 180 Fenglin Road, Shanghai, 200032, China.
Hepatology international
|March 5, 2026
概括
一个机器学习模型准确地识别了中度至严重的肝脏内毒性突变 (MS-IHVS) 非侵入性. 这种工具有助于对门高血压患者进行早期检测,从而有可能避免侵入性手术.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗人工智能 医疗人工智能
- 心血管成像 - 心血管成像
背景情况:
- 肝内静脉突变 (IHVS) 是门高血压 (PHT) 的一个重要并发症.
- 准确识别中度至严重的IHVS (MS-IHVS) 对患者的管理至关重要.
- 目前的诊断方法通常涉及侵入性程序,如肝静脉压梯度 (HVPG) 测量.
研究的目的:
- 开发和验证用于MS-IHVS的非侵入性识别的机器学习 (ML) 模型.
- 在HVPG测量之前预测MS-IHVS的风险.
- 为早期检测提供一个工具,并可能避免不必要的侵入性检查.
主要方法:
- 追溯开发队列 (n=605) 和两个验证队列 (FN-验证n=194,TIPS-验证n=92).
- 开发了9个ML和11个堆叠组合模型,包括随机森林 (RF) 和梯度增强 (GB).
- 使用AUC,精度,灵敏度,特异性和校准进行性能评估,并使用Shapley添加式解释进行解释.
主要成果:
- 结合RF和GB的堆叠组合模型表现出卓越的性能 (AUC 0.907).
- 该模型在FN验证队列中达到0.781的AUC,在TIPS验证队列中达到0.889.
- 使用该模型进行的风险分层显示,高风险组中压力测量之间的一致性和相关性明显较低.
结论:
- 开发的RF+GB堆叠模型有效地识别了状PHT患者的MS-IHVS风险.
- 这种ML模型是MS-IHVS早期检测的强大工具.
- 该模型可以帮助在PHT患者中避免不必要的侵入性手术.
更多相关视频
09:37Invasive Hemodynamic Characterization of the Portal-hypertensive Syndrome in Cirrhotic Rats
Published on: August 1, 2018
15.6K
06:20Contrast-Enhanced Subharmonic Aided Pressure Estimation SHAPE Using Ultrasound Imaging with a Focus on Identifying Portal Hypertension
Published on: December 5, 2020
2.9K
