An artificial intelligence-generated model predicts 90-day survival in alcohol-associated hepatitis: A global cohort study
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Alcohol-associated hepatitis (AH) poses significant short-term mortality. Existing prognostic models lack precision for 90-day mortality. Utilizing artificial intelligence in a global cohort, we sought to derive and validate an enhanced prognostic model. APPROACH AND RESULTS: The Global AlcHep initiative, a retrospective study across 23 centers in 12 countries, enrolled patients with AH per National Institute for Alcohol Abuse and Alcoholism criteria. Centers were partitioned into derivation (11 centers, 860 patients) and validation cohorts (12 centers, 859 patients). Focusing on 30 and 90-day postadmission mortality, 3 artificial intelligence algorithms (Random Forest, Gradient Boosting Machines, and eXtreme Gradient Boosting) informed an ensemble model, subsequently refined through Bayesian updating, integrating the derivation cohort's average 90-day mortality with each center's approximate mortality rate to produce posttest probabilities. The ALCoholic Hepatitis Artificial INtelligence Ensemble score integrated age, gender, cirrhosis, and 9 laboratory values, with center-specific mortality rates. Mortality was 18.7% (30 d) and 27.9% (90 d) in the derivation cohort versus 21.7% and 32.5% in the validation cohort. Validation cohort 30 and 90-day AUCs were 0.811 (0.779-0.844) and 0.799 (0.769-0.830), significantly surpassing legacy models like Maddrey's Discriminant Function, Model for End-Stage Liver Disease variations, age-serum bilirubin-international normalized ratio-serum Creatinine score, Glasgow, and modified Glasgow Scores ( p < 0.001). ALCoholic Hepatitis Artificial INtelligence Ensemble score also showcased superior calibration against MELD and its variants. Steroid use improved 30-day survival for those with an ALCoholic Hepatitis Artificial INtelligence Ensemble score > 0.20 in both derivation and validation cohorts. CONCLUSIONS: Harnessing artificial intelligence within a global consortium, we pioneered a scoring system excelling over traditional models for 30 and 90-day AH mortality predictions. Beneficial for clinical trials, steroid therapy, and transplant indications, it's accessible at: https://aihepatology.shinyapps.io/ALCHAIN/ .
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».