Integratívny a interpretovateľný framework strojového učenia na skorú neinvazívnu detekciu klinicky významnej fibrózy pečene

Výskum sa zameral na vytvorenie prediktívneho modelu na skorú detekciu klinicky významnej fibrózy pečene pomocou údajov z cyklov NHANES 2017–2020. Analýza zahŕňala 6 164 účastníkov, ktorí boli rozdelení do skupiny s fibrózu a kontrolnej skupiny na základe meraní tuhosti pečene. Výskumný tím testoval 29 modelov strojového učenia a vybral model Gamboost, ktorý dosiahol najlepšie výsledky. Kľúčovými prediktormi boli index telesnej hmotnosti (BMI), aspartát aminotransferáza (AST) a obvod pásu. Model dosiahol AUC 0,824 v trénovacej skupiny a 0,872 v testovacej skupiny, pričom pri externej validácii na 684 vzorkách udržal AUC 0,848. Analýzy ukázali, že zvýšená AST a obvod pásu synergicky zvyšujú riziko fibrózy. Tento neinvazívny prístup využívajúci rutinne dostupné klinické údaje môže byť jednoducho implementovaný v primárnej starostlivosti.