彻底改变肝纤维化病阶段:一种机器学习方法,结合了临床,生化和微生物群的见解

科学领域:

• 肝病学和胃肠病学 肝病学和胃肠学
• 医疗信息学和机器学习
• 微生物组研究 微生物组研究

背景情况:

• 非酒精性脂肪肝炎 (NASH) 是一种普遍存在的肝脏疾病,影响所有年龄组,在了解其进展和诊断方面存在重大差距.
• 在NASH中肝纤维化病的分期对于患者的管理至关重要,但传统上依赖于侵入性或不太准确的方法.
• 肠肝轴因其在NASH病变发生过程中的作用越来越被认可,但其融入诊断模型是有限的.

研究的目的:

• 开发和验证一种非侵入性模型,用于对活检确认的NASH患者肝纤维化病的分期.
• 整合多种数据类型,包括临床,生化和微生物组资料,使用机器学习改进纤维化评估.
• 为了比较机器学习模型的性能与NASH纤维化分期的传统评分系统.

主要方法:

• 对1834名活检确认的纳氏血栓炎和已知的纤维化阶段 (F0-F4) 的患者进行了回顾性分析.
• 机器学习模型 (随机森林和极端梯度增强) 使用临床变量,肝功能测试,人口统计和16S rRNA基因测序衍生的微生物组数据进行训练.
• 模型性能使用10倍交叉验证和外部验证进行了评估;用于特征解释,使用了SHapley添加式解释 (SHAP).

主要成果:

• 机器学习模型实现了高分类精度,随机森林的平衡精度为99.1%,XGBoost的曲线下面面积 (AUC) 为1.0.
• 纳入微生物组特征显著增强了预测能力,突出显示了肠肝轴在NASH纤维化中的重要性.
• 先进的纤维化阶段 (F3-F4) 与特定的微生物组失调相关,包括病原性细菌增加 (例如,埃舍里希亚-希格拉,菌) 和有益细菌减少 (例如,阿克尔曼西亚,鲁米诺科克).

结论:

• 一种非侵入性机器学习方法整合了临床和微生物组数据,准确地将NASH患者的肝纤维化阶段.
• 这种新的方法与传统的评分系统 (APRI,FIB-4) 相比,表现优越,为临床决策提供了有价值的工具.
• 这些发现强调了肠道微生物组改变在NASH进展和纤维化发展中的关键作用.