Development and Validation of a Machine Learning-Based Model Used for Predicting Hepatocellular Carcinoma Risk in Patients with Hepatitis B-Related Cirrhosis: A Retrospective Study
Notice bibliographique
Résumé
Object: Our objective was to estimate the 5-year cumulative risk of HCC in patients with HBC by utilizing an artificial neural network (ANN). Methods: We conducted this study with 1589 patients hospitalized at Beijing Ditan Hospital of Capital Medical University and People's Liberation Army Fifth Medical Center. The training cohort consisted of 913 subjects from Beijing Ditan Hospital of Capital Medical University, while the validation cohort comprised 676 subjects from People's Liberation Army Fifth Medical Center. Through univariate analysis, we identified factors that independently influenced the occurrence of HCC, which were then used to develop the ANN model. To evaluate the ANN model, we assessed its predictive accuracy, discriminative ability, and clinical net benefit using metrics such as the area under the receiver operating characteristic curve (AUC), concordance index (C-index), calibration curves. Results: In total, we included nine independent risk factors in the development of the ANN model. Remarkably, the AUC of the ANN model was 0.880, significantly outperforming the AUC values of other existing models including mPAGE-B (0.719) (95% CI 0.670-0.768), PAGE-B (0. 710) (95% CI 0.660-0.759), FIB-4 (0.693) (95% CI 0.640-0.745), and Toronto hepatoma risk index (THRI) (0.705) (95% CI 0.654-0.756) (p<0.001 for all). The ANN model effectively stratified patients into low, medium, and high-risk groups based on their 5-year In the training cohort, the positive predictive value (PPV) for low-risk patients was 26.2% (95% CI 25.0-27.4), and the negative predictive value (NPV) was 98.7% (95% CI 95.2-99.7). For high-risk patients, the PPV was 54.7% (95% CI 48.6-60.7), and the NPV was 91.6% (95% CI 89.4-93.4). These findings were validated in the independent validation cohort. Conclusion: The ANNs model has good individualized prediction performance and may be helpful to evaluate the probability of the 5-year risk of HCC in patients with HBC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».