200
评论
查看更多
密码过期或已经不安全，请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
11月8-12日，第70届美国肝病研究学会（AASLD）年会在波士顿海恩斯会议中心举行，来自世界各地近万名肝病相关领域专家学者汇聚于此，交流肝病领域最新研究进展、探讨临床诊疗策略。正如大会主席，Michael W. Fried教授在欢迎辞中指出，今天我们相聚在这里，交流科学、创新性研究和临床诊疗进展，为了一个共同的目标——预防和治愈肝脏疾病。在11月9日的新闻发布会上，对本届年会上即将发布的几项重磅研究进行了介绍。
作为非酒精性脂肪肝病（NAFLD）疾病谱中较严重阶段，由于缺乏特征性症状，非酒精性脂肪肝炎（NASH）常常不能得到及时正确的诊断，因此，找到一种能够早期正确识别并诊断NASH的工具非常重要。由德国、美国和瑞士学者共同研发的一款基于机器学习的无创诊断工具——NASHmap应运而生。这是一款无创、能够在真实世界数据库中定期收集临床数据并对NASH风险作出预测的基于机器学习的算法工具。
主要研究者之一，德国美因茨大学的Jörn M. Schattenberg教授介绍，研究者利用美国国家糖尿病、消化和肾病研究所（NIDDK）成人NAFLD数据库（包括NASH和非NASH NAFLD），进行探索性数据分析、特征提取、模型训练和参数调整，并利用Optum电子健康记录（EHR）数据库进行验证，对该模型的曲线下面积（AUC）以及诊断敏感性、特异性和总体准确性等进行分析。这一模型基于梯度提升算法（Gradient Boosting Algorithms）中的极限梯度提升（XGBoost）模型，在NIDDK中的AUC为0.82，包含14个临床参数，在Optum EHR数据库中的AUC为0.76。
在Optum EHR数据库中，应用XGBoost 14参数模型，能够在每10万人中预测2万9千潜在NASH患者。研究者还研发了一种包含5个临床参数的简化模型，应用同一患者队列，在NIDDK中的AUC为0.80，在Optum EHR数据库中模型的AUC为0.74。
总体而言，应用14参数模型，在高危患者中预测NASH风险的敏感性为72%～81%，说明NASHmap可作为NASH患者的初筛和临床辅助决策工具。
Jörn M. Schattenberg教授评论道，这是一种创新性机器学习算法，能够基于一些临床参数从大型数据库中识别潜在NASH患者，可用于早期筛查和管理潜在NASH患者，并可用于未来临床试验患者入组筛选。未来可能进一步考虑将其整合入医疗记录软件中。
查看更多
中国医学论坛报
壹生
今日肿瘤
今日循环
今日糖尿病
今日口腔
全科周刊
脱贫地区农副产品网络销售平台
京公网安备 11010202008182号
| 互联网新闻信息服务许可证编号：10120190017