Development and Validation of a Novel Model to Discriminate Idiosyncratic Drug‐Induced Liver Injury and Autoimmune Hepatitis
Notice bibliographique
Résumé
BACKGROUND AND AIM: Discriminating between idiosyncratic drug-induced liver injury (DILI) and autoimmune hepatitis (AIH) is critical yet challenging. We aim to develop and validate a machine learning (ML)-based model to aid in this differentiation. METHODS: This multicenter cohort study utilised a development set from Beijing Friendship Hospital, with retrospective and prospective validation sets from 10 tertiary hospitals across various regions of China spanning January 2009 to May 2023. Different ML algorithms were tested using 24 routine laboratory parameters. The Shapley Additive exPlanations (SHAP) analysis was used to evaluate the contribution of each parameter in the ML model. RESULTS: A total of 2554 patients (1750 for DILI and 804 for AIH) were included. Using Gradient Boost Decision Tree algorithm, five key parameters-aspartate transaminase, globulin, prealbumin, creatinine and platelet count-were selected to construct the ML model. Consequently, a web-based tool named Beijing-AID (BJ-AID) was developed (http://43.143.153.225:5000/). The BJ-AID model demonstrated excellent discrimination performance, with an area under the receiver operating characteristic curve (AUROC) of 0.94 (95% CI, 0.902-0.975) in the development set, 0.91 (95% CI, 0.900-0.928) in all external validation sets and 0.93 (95% CI, 0.889-0.974) in a prospective validation set. Notably, the BJ-AID model also effectively discriminated atypical cases, including drug-induced autoimmune-like hepatitis and AIH with the history of drug consumption, achieving an AUROC = 0.85 (95% CI, 0.742-0.949). CONCLUSIONS: We successfully developed and validated a machine learning-based model, BJ-AID, which exhibits a strong discrimination performance. BJ-AID can assist practitioners and hepatologists in diagnosing both typical and atypical cases of DILI and AIH. TRIAL REGISTRATION: ClinicalTrials.gov identifier: NCT05532345.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».