MedElevator
Войти в исследования Модель машинного обучения на основе метаболических факторов для прогнозирования смертности при остром гепатите Е: разработка и проверка данных из группы с двойным центром.
Аннотация
Заражение вирусом Е (ГЭМ) по-прежнему является одной из основных причин отказа печени с высокой краткосрочной смертностью, однако прогнозные модели, включающие системные метаболические факторы, ограничены. AIMS: Мы стремились разработать модель машинного обучения, включающую системные метаболические параметры для прогнозирования смертности у пациентов с ГЭМ.
МЕТОДЫ
В общей сложности 510 пациентов ГЭМ из двух медицинских центров были ретроспективно зачислены и сгруппированы в группы по обучению, внутренней проверке и внешней проверке. Метаболические параметры (общий холестерин, HDL, LDL и диабет) были интегрированы с использованием SVM для создания метаболизма. Этот балл и другие клинические переменные (статус инфекции, WBC, креатинин, возраст, тромбоцит, альбумин, TBIL, EGFR, INR и GGT) были выбраны с использованием регрессии LASSO. Для прогнозирования смертности в течение 28 дней и 90 дней было разработано пять моделей машинного обучения.
Результаты
Среди всех моделей логистическая регрессия (LR) показала наилучшие результаты: AUROC = 0,87, 0,98 и 0,84 для 28-дневной смертности и 0,86, 0,88 и 0,89 для 90-дневной смертности в рамках профессиональной подготовки, проверки и внешних групп, соответственно. Модель LR превысила MELD, продемонстрировала хорошую калибровку и чистые клинические преимущества и была представлена как номограмма.
ЗАКЛЮЧЕНИЕ
Модель LR, включающая системные метаболические факторы, точно предсказывает краткосрочную смертность у пациентов, страдающих ГЭМ, и может облегчить раннюю стратификацию рисков и индивидуализированное управление.
Название и аннотация на языке оригинала
Metabolic factor-based machine learning model for mortality prediction in acute hepatitis E: Development and validation from a dual-center cohort.
BACKGROUND
Hepatitis E virus (HEV) infection remains a major cause of liver failure with high short-term mortality, yet predictive models incorporating systemic metabolic factors are limited.
AIMS: We aimed to develop a machine learning model incorporating systemic metabolic parameters for mortality prediction in HEV patients.
METHODS
A total of 510 HEV patients from two medical centers were retrospectively enrolled and grouped into training, internal validation and external validation cohorts. Metabolic parameters (total cholesterol, HDL, LDL and diabetes) were integrated using SVM to generate a Metabolism Score. This score and other clinical variables (infection status, WBC, creatinine, age, platelet, albumin, TBIL, EGFR, INR, and GGT) were selected using LASSO regression. Five machine-learning models were developed to predict 28-day and 90-day mortality.
RESULTS
Among all models, logistic regression (LR) showed the best performance, with AUROCs of 0.87, 0.98, and 0.84 for 28-day mortality and 0.86, 0.88, and 0.89 for 90-day mortality across the training, validation, and external cohorts, respectively. The LR model outperformed MELD, demonstrated good calibration and net clinical benefits, and was visualized as a nomogram.
CONCLUSION
The LR model incorporating systemic metabolic factors accurately predicted short-term mortality in HEV patients and may facilitate early risk stratification and personalized management.
Предметные рубрики MeSH
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.