临床肝硬化中使用机器学习的再入院和死亡的低可预测性。
复制标题
- 影响指数:25.02
-
期刊:The American journal of gastroenterology
- 发表时间:2021-02-01
- DOI:10.14309/ajg.0000000000000971
复制DOI
引言: 肝硬化的再入院和死亡是常见的、昂贵的,并且难以预测。我们的目的是评估多种人工智能 (AI) 技术根据入院时、住院期间和出院时收集的变量预测临床结局的能力。
方法: 我们使用多中心北美联盟对肝硬化住院患者进行终末期肝病 (NACSELD) 队列研究,这些患者在出院后90天内随访再入院和死亡。我们使用统计方法选择对再入院和死亡有重要意义的变量,并训练了3个AI模型,包括逻辑回归 (LR) 、核支持向量机 (SVM) 和随机森林分类器 (RFC),以预测再入院和死亡。我们使用来自10倍交叉验证的接受者操作特征曲线 (AUC) 下的面积进行评估以比较性别。在出院时将数据与终末期肝病模型 (MELD) 进行比较。
结果: 我们纳入了2,170例患者 (57 ± 11岁,MELD 18 ± 7,61% 例男性,79% 例白人,8% 例西班牙裔)。30天和90天的再入院率分别为28% 和47%,13% 在90天死亡。对30天再入院的预测导致所有RFC患者的0.60 AUC,仅女性亚群的0.57 AUC与LR,以及仅男性亚群的0.61 AUC与LR。对于90天再入院,使用kernel SVM和RFC实现最高AUC (AUC = 0.62)。当训练模型中只有女性 (AUC = 0.68 LR) vs男性 (AUC = 0.62 kernel SVM) 时,我们观察到更高的预测值。死亡预测导致所有患者的AUC为0.67,仅女性亚群为0.72,仅男性亚群为0.69,均具有LR。MELD-Na模型AUC与来自AI模型的AUC相似。
讨论: 尽管使用多种AI技术,但很难预测肝硬化患者30天和90天的再入院和死亡。AI模型精度与仅使用MELD-Na评分生成的模型相当。需要额外的生物标志物来提高我们的预测能力 (另见http://links.lww.com/AJG/ B710的视觉摘要)。