基于机器学习的慢性乙型肝炎合并肝脂肪变性患者肝脏炎症预测模型

这是一篇关于基于机器学习的慢性乙型肝炎合并肝脂肪变性患者肝脏炎症预测模型的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

基于机器学习的慢性乙型肝炎合并肝脂肪变性患者肝脏炎症预测模型的建立：队列研究

• 题目
  • Development of a machine learning-based model to predict hepatic inflammation in chronic hepatitis B patients with concurrent hepatic steatosis: a cohort study
• 摘要
  • 背景/目的
    • 慢性乙型肝炎( chronic hepatitis B，CHB )
    • 肝脂肪变性( hepatic steatosis，HS )
    • CHB和HS均是慢性肝损伤的主要贡献者，增加了肝硬化和肝细胞癌的风险
    • 随着 CHB 与 HS 共存现象的日益普遍，需要简单、无创的诊断方法来准确评估肝脏炎症的严重程度
    • 建立一个基于机器学习( Machine Learning，ML )的模型来检测CHB合并HS患者的肝脏炎症
  • 方法
    • 我们在中国开展了一项多中心、回顾性队列研究
    • 纳入2004年4月至2022年9月期间经肝穿刺活检证实为HS的初治CHB患者
    • 中重度肝脏炎症(Scheuer’s system ≥ G3)
      • G3-G4级为中重度炎症
    • 通过SHapley Additive解释选择模型开发的最佳特征，确定诊断中重度肝脏炎症的最佳精度的ML算法，并通过 DCA 和校准曲线进行评估
    • 从 11 家医院的 1,787 名初治 CHB 和 HS 患者中，选择了其中 9 家医院的 689 名患者来开发诊断模型
    • 其余两家医院参与了两个独立的外部验证队列，包括验证队列 1 中的 509 名患者和验证队列 2 中的 589 名患者
    • 采用亚组分析来确定 GBC 模型在按年龄、性别、体重指数、HBeAg 状态、HBV DNA 水平和是否存在糖尿病分层的亚组中的表现
    • 为了保证数据的相关性和一致性，仅考虑在肝活检前14天内进行的实验室检查
    • 病理学检查由两名来自各自中心的经独立委员会认证的病理科医生在不了解临床资料的情况下进行
    • 分歧通过讨论解决，达成共识。评估观察者间的变异性以评估病理学家之间的一致性
  • 结果
    • 确定了有关炎症、肝脏和代谢功能的 11 个特征
    • 梯度增强分类器 (GBC) 模型在预测中度至重度肝脏炎症方面表现出最佳性能
      • 训练集AUC为0.86
      • 外部验证集1 AUC为0.89
      • 外部验证集2 AUC为0.76
  • 结论
    • GBC 模型使用简单的参数来预测并发 HS 的 CHB 患者的肝脏炎症
    • 它有望指导临床管理和改善患者治疗结果
    • 为该模型生成了一个可公开访问的网络工具
• 字不如表
  • Table 1
    • 该队列的基线特征
      • 23个变量
      • 4个变量单位不同或添加转为分类的表达
      • 外部验证集二 3个指标为空
  • Table 2
    • 机器学习模型对中度至重度肝脏炎症的诊断性能
• 表不如图
  • Figure 1
    • 研究人群的流程图
      • 训练集689例
      • 外部验证集一 509例
      • 外部验证集二 589例
  • Figure 2
    • SHapley 附加解释图
      • 23个变量
      • A. 梯度增强分类器
      • B. 随机森林
      • C. 极限梯度增强
      • D. 自适应增强
      • E. 高斯朴素贝叶斯
      • F. 逻辑回归
      • G. K 最近邻
  • Figure 3
    • 最终机器学习模型在训练队列和外部验证队列中对中度至重度肝脏炎症的诊断性能
      • 训练集7模型ROC
      • 外部验证集一 7模型ROC
      • 外部验证集二 5模型ROC
      • 叠加与最佳模型的比较
  • Figure 4
    • GBC 模型通过决策曲线分析诊断中度至重度肝脏炎症的净效益
• 补充材料
  • Inter-observer variability
    • 观察者间变异性
    • 为了确保炎症诊断的稳健性，我们从南京鼓楼医院和杭州师范大学附属医院这两个最大的队列中选择了病例，并评估了为这些病例进行病理检查的两名病理学家
    • 两位病理学家都是委员会认证的，在考试时至少有5年的普通病理学经验
    • 使用kappa统计来评估两名病理学家之间的观察者间变异性
    • 我们对kappa统计质量的评价采用以下分类：0-20%为一致性差，21-40%为一致性一般，41-60%为一致性一般，61-80%为一致性好，81-100%为一致性极好
    • Kappa统计量是衡量观察者之间一致性的一种方法，其计算公式为(Po - Pe) / (1 - Pe)，其中Po表示观察到的评分者之间的一致性，Pe表示仅偶然的预期一致性
    • 结果kappa值分别为0.76（南京鼓楼医院）和0.63（杭州师范大学附属医院）
  • Table S1
    • 训练队列和验证队列中中度至重度肝炎症和非中度至重度肝炎症的人群特征
    • 3个数据集阳性事件的混合基线
  • Table S2
    • 不同亚组GBC模型对中重度肝脏炎症的诊断价值
    • 6个不同亚组
  • Figure S1
    • 训练队列中重度肝脏炎症的预机器学习模型诊断性能
  • Figure S2
    • 用校准曲线评价GBC模型诊断中重度肝脏炎症的效能