Сравнение методов машинного обучения для прогнозирования выраженного фиброза печени у пациентов с хроническим гепатитом C

Актуальность/Цель: В качестве неинвазивных методов в последнее время применяются подходы машинного обучения как альтернатива биопсии для стадирования хронических заболеваний печени. Целью данного исследования является оценка различных методов машинного обучения для прогнозирования выраженного фиброза с объединением сывороточных биомаркеров и клинической информации для разработки классификационных моделей. Методы: Проспективная когорта из 39 567 пациентов с хроническим гепатитом C была разделена на две группы: легкий–умеренный фиброз (F0–F2) и выраженный фиброз (F3–F4) по шкале METAVIR. Были разработаны модели прогнозирования риска выраженного фиброза на основе деревьев решений, генетического алгоритма, роя частиц (particle swarm optimization) и многофакторной линейной регрессии. Для оценки качества моделей выполнен анализ кривой рабочей характеристики приемника (ROC). Результаты: Возраст, число тромбоцитов, АСТ и альбумин оказались статистически значимыми предикторами выраженного фиброза. Исследуемые алгоритмы машинного обучения смогли предсказывать выраженный фиброз с AUROC от 0,73 до 0,76 и точностью от 66,3% до 84,4%. Выводы: Подходы машинного обучения могут быть использованы в качестве альтернативных методов для прогнозирования риска выраженного фиброза печени при хроническом гепатите C.