Medicine
2026-03-13
Ramowy model diagnostyczny oparty na uczeniu maszynowym dla zwłóknienia wątroby w przewlekłym zapaleniu wątroby typu B na podstawie rutynowych badań laboratoryjnych
Machine learning diagnostic framework for liver fibrosis in chronic hepatitis B based on routine laboratory tests.
Recenzja AI
Cel badania
Celem badania jest opracowanie modelu diagnostycznego opartego na uczeniu maszynowym do oceny stopnia zwłóknienia wątroby u pacjentów z przewlekłym zapaleniem wątroby typu B.
Metoda
Badanie obejmowało 268 pacjentów z CHB, którzy przeszli biopsję wątroby, a zwłóknienie oceniano według systemu Scheuera. Wykorzystano 8 algorytmów ML, z których najlepszy okazał się model lasu losowego.
Wyniki
Model lasu losowego osiągnął najlepsze wyniki z wartością pola pod krzywą 0,810 dla zestawu treningowego i 0,793 dla zestawu walidacyjnego, wykazując najwyższą czułość i korzyść netto przy progu prawdopodobieństwa 30%.
Znaczenie dla praktyki
Modele ML oparte na lesie losowym mogą stać się bezpieczną, skuteczną i bardziej spersonalizowaną metodą przesiewową, umożliwiającą wczesne i dynamiczne podejmowanie decyzji ryzyka w codziennej praktyce klinicznej w Polsce.
Abstrakt oryginalny
Early detection of liver fibrosis in chronic hepatitis B (CHB) patients is crucial for improving their prognosis. This study aims to develop a machine learning (ML)-based diagnostic model for evaluating the degree of liver fibrosis in patients with CHB. The present study comprised 268 patients with CHB who underwent liver biopsy from January 2022 to May 2023. Liver fibrosis was staged according to the Scheuer scoring system. The dataset is divided into a training set and a validation set in a ratio of 7.5:2.5. The feature selection process was executed through the utilization of least absolute shrinkage and selection operator regression, and 8 ML algorithms (including random forest [RF], extreme gradient enhancement, support vector machine, etc) were employed for the prediction of the performance of the significant liver fibrosis assessment model. The RF model performs best among ML models, with an area under the curve value of 0.810 for the training set and 0.793 for the validation set. Decision curve analysis indicates that the RF model exhibits the highest net benefit under most threshold probabilities. When the probability threshold is 30%, the sensitivity and net benefit are the highest, significantly outperforming other traditional scores. RF ML models can effectively assess liver fibrosis in patients with CHB. Compared with traditional indicators, they can become a safe, effective and more personalized screening method, enabling early and dynamic risk decision-making.