使用可解释机器学习方法预测抗结核药物诱导的肝损伤:模型开发和验证研究( Predicting Antituberculosis Drug-Induced Liver Injury Using an Interpretable Machine Learning Method: Model Development and Validation Study )

Tao Zhong Zian Zhuang Xiaoli Dong Ka Hing Wong Shengyuan Liu

背景：肺结核(TB)是一种流行病，是10大死因之一，也是单一感染源死亡的主要原因。药物性肝损伤(DILI)是结核病治疗过程中最常见、最严重的副作用。目的：我们旨在预测结核病患者在临床治疗阶段的肝损害状况。方法：根据深圳市南山慢病控制中心医院信息系统2014-2019年的临床数据，设计基于XGBoost算法的可解释性预测模型，识别出最鲁棒和最有意义的TB-DILI风险预测因子。结果：共纳入757例患者，其中287例（38%）已发展为TB-DILI。基于相对重要性和接收器工作特性曲线下面积的值，机器学习工具选择患者最近的丙氨酸转氨酶水平、患者最近2项丙氨酸转氨酶水平的平均变化率、吡嗪酰胺的累积剂量和乙胺丁醇的累积剂量作为评估TB-DILI风险的最佳预测指标。在验证数据集中，该模型预测TB-DILI病例的准确率为90%，召回率为74%，分类准确率为76%，平衡错误率为77%。10倍交叉验证的受试者工作特性曲线得分下面积为0.912(95%CI0.890-0.935)。此外，该模型在DILI发病前为患者提供了高风险警告，中位数为15天(IQR7.3-27.5)。结论：我们的模型对TB-DILI病例的预测具有较高的准确性和可解释性，为临床医生调整用药方案和避免患者更严重的肝损伤提供了有用的信息。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate