Machine-learning models help differentiate alcohol-associated hepatitis, acute cholangitis

Fonte/Informazioni
fonte:

Ahn JC et al. Mayo Clean Brook. 2022; doi: 10.1016/j.mayocp.2022.01.028.

Divulgazioni: Ahn non ha rilasciato alcuna informativa finanziaria rilevante. Si prega di consultare lo studio per tutte le informazioni finanziarie rilevanti di altri autori.

Non siamo stati in grado di elaborare la tua richiesta. Per favore riprova più tardi. Se il problema persiste, contattare customerservice@slackinc.com.

L'epatite correlata all'alcol e la colangite acuta sono state accuratamente diagnosticate da algoritmi di apprendimento automatico, che hanno anche superato i medici nel distinguere tra le due malattie, secondo uno studio in Procedure Mayo Clinic.

“Il nostro studio è un proof of concept che mostra come [machine-learning algorithms] L'uso di alcune semplici variabili e di informazioni cliniche strutturate disponibili di routine possono essere strumenti predittivi altamente efficaci". Giuseppe C. insultoDottore in medicina, un borsista del terzo anno in gastroenterologia ed epatologia presso la Mayo Clinic di Rochester, hanno scritto i colleghi. Con un approccio simile abbiamo [acute cholangitis] contro. [alcohol-associated hepatitis] modello di previsione, potrebbe essere possibile sviluppare un programma completo basato sull'MLA che possa guidare i fornitori di servizi medici che curano i pazienti con anomalie degli enzimi epatici e aiutare il processo decisionale".

Fonte: Adobe Stock.
Fonte: Adobe Stock.

Ahn e colleghi hanno identificato 194 pazienti adulti con colangite acuta (AC) e 260 pazienti con epatite alcol-correlata (AH) che sono stati ricoverati alla Mayo Clinic tra il 2010 e il 2019. Al momento del ricovero, sono stati raccolti 10 valori di laboratorio normalmente disponibili da ciascun paziente Conta leucocitaria, emoglobina, corporatura media, conta piastrinica, aspartato aminotransferasi, alanina aminotransferasi, fosfatasi alcalina, bilirubina totale, bilirubina diretta e albumina.

I ricercatori hanno utilizzato questi valori per addestrare otto MLA per distinguere AC da AH, che includeva albero decisionale, Bayes ingenuo, regressione logistica, vicino più vicino, macchina vettoriale di supporto, reti neurali artificiali, foreste casuali e aumento del gradiente. I sottogruppi più rilevanti di 5 variabili sono stati determinati utilizzando la differenza di Jensen-Shannon e il criterio di indipendenza di Hilbert-Schmidt (HSIC).

I ricercatori hanno convalidato i risultati esternamente utilizzando un gruppo di unità di terapia intensiva e hanno confrontato le prestazioni predittive dell'MLA con quelle di 143 medici, che hanno fornito le stesse 10 variabili di laboratorio e completato un questionario online.

Secondo i risultati dello studio, tutti gli otto MLA hanno mostrato prestazioni eccellenti nel discriminare AC da AH con un'accuratezza di 0,932 e un'area sotto la curva (AUC) fino a 0,986. Una precisione simile è stata osservata anche nella convalida esterna fino a 0,909 e AUC fino a 0,970.

I sottogruppi a 5 variabili con la differenza più alta in JS e HSIC erano rispettivamente volume corporeo medio, AST, ALT, bilirubina totale e bilirubina diretta e volume corporeo medio, albumina, ALT, bilirubina totale e bilirubina diretta.

Degli otto MLA, sei avevano un'accuratezza media di 0,90, con il modello con le prestazioni più basse che mostrava ancora un'accuratezza di 0,868, mentre i medici avevano un'accuratezza media di 0,79.

"Lo studio evidenzia il potenziale degli algoritmi di apprendimento automatico per aiutare il processo decisionale clinico in situazioni di incertezza", ha affermato Ahn in un comunicato stampa relativo alla Mayo Clinic. "Per i pazienti, ciò migliorerà l'accuratezza diagnostica e ridurrà il numero di test aggiuntivi o l'ordinazione inappropriata di procedure invasive, che possono ritardare la diagnosi corretta o mettere i pazienti a rischio di complicazioni non necessarie".

Gli autori hanno aggiunto: "Se resi accessibili sotto forma di un calcolatore online o di un'app per smartphone, gli MLA possono essere utili anche per fornitori di livello medio o sottospecialisti che potrebbero non avere familiarità con il trattamento di un paziente acuto con anomalie degli enzimi epatici .

Riferimento:

#Machinelearning #models #differentiate #alcoholassociated #hepatitis #acute #cholangitis

Lascia un commento

Il tuo indirizzo email non sarà pubblicato.

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Proin diam justo, scelerisque non felis porta, placerat si. Vestibulum ac elementum massa. In rutrum quis risus quis sollicitudin.

navigation
newsletter
contact info
1, My Address, My Street, New York City, NY, USA