Onderzoeksartikel
* These authors contributed equally
Er wordt een stapsgewijze AutoML-protocol gepresenteerd om te screenen op niet-alcoholische leververvetting met behulp van NHANES-gegevens en een externe cohort. De methode automatiseert feature-prioritering en modelselectie (GBM) en bevat SHAP-gebaseerde interpretatie en externe validatie voor reproduceerbare klinische implementatie.
Niet-alcoholische vervettingsleverziekte (NAFLD) is een veelvoorkomende leveraandoening die geassocieerd wordt met obesitas, insulineresistentie en het metabool syndroom, en vaak pas in gevorderde stadia wordt gediagnosticeerd. Traditionele diagnostische methoden, waaronder beeldvorming en leverbiopsie, hebben beperkingen bij vroege opsporing. Er is behoefte aan een efficiënt, niet-invasief hulpmiddel voor vroege NAFLD-screening. Met behulp van geautomatiseerde machine learning (AutoML) technologie werd een diagnostisch model voor NAFLD ontwikkeld dat gebruikmaakte van een grote dataset van NHANES (n = 2677). Daarnaast werd een onafhankelijke externe validatiecohort (n = 200) ingezet om de externe validiteit en prestaties van het model te beoordelen. Voor het selecteren van veelbelovende klinische kenmerken werd een tweefasige feature-selectiemethode toegepast, waarbij LASSO-regressie werd gecombineerd met intelligente analyse op basis van ChatGPT-4. Vervolgens werd het AutoML-proces, dat meerdere machine learning-algoritmen integreerde, uitgevoerd voor modeltraining en validatie. De prestaties van het model werden geëvalueerd met behulp van ROC-curves, F1-scores en SHapley additive explanation (SHAP) analyse. Het GBM-model behaalde een AUC van 0,843 in de trainingsset, 0,851 in de testset en 0,945 in de externe validatieset, wat een hoge diagnostische nauwkeurigheid over verschillende datasets aantoont. Belangrijke voorspellers, waaronder BMI, triglyceriden en GGT, werden geïdentificeerd als belangrijke bijdragers aan de voorspellingen van het model. SHAP-analyse bevestigde verder het belang van deze variabelen bij het voorspellen van NAFLD. Het door AutoML aangedreven diagnostisch model voor NAFLD toonde aanzienlijk verbeterde vroege detectieprestaties en bood een betrouwbaar, niet-invasief en efficiënt alternatief voor conventionele diagnostische methoden. Deze methode heeft groot potentieel voor bredere klinische toepassing in NAFLD, waarbij de afhankelijkheid van deskundige kennis wordt verminderd en de diagnostische precisie verbetert.
Niet-alcoholische leververvetting (NAFLD) is een van de meest voorkomende leverziekten wereldwijd en treft momenteel ongeveer 35% van de volwassen bevolking wereldwijd, en is niet toe te schrijven aan overmatig alcoholgebruik1. Het wordt gekenmerkt door de ophoping van vet in meer dan 5% van de hepatocyten, wat mogelijk kan uitgroeien tot ernstigere aandoeningen, waaronder ontsteking, leverfibrose, cirrose en uiteindelijk leverfalen 2,3. Momenteel zijn de traditionele methoden voor het diagnosticeren van NAFLD voornamelijk afhankelijk van abnormale biochemische levermarkers en echografie beeldvorming. Ultrasoon geluid vertoont echter een beperkte gevoeligheid wanneer de mate van steatose onder de 20% ligt, wat de betrouwbaarheid bij het detecteren van milde vetinfiltratie ondermijnt en vaak leidt tot gemiste diagnoses van vroegstadium NAFLD4. Hoewel leverbiopsie wordt beschouwd als de gouden standaard voor de diagnose van NAFLD, beperken het invasieve karakter ervan en het risico op complicaties zoals pijn, infectie en bloedingen de haalbaarheid voor grootschalige screening5. Daarom is er een dringende behoefte aan een efficiënt, niet-invasief, kosteneffectief en zeer gevoelig hulpmiddel om NAFLD-screening te faciliteren.
Met de snelle ontwikkeling van kunstmatige intelligentie (AI) en machine learning (ML) technologieën bieden datagedreven benaderingen nieuwe oplossingen voor de vroege diagnose en risicobeoordeling van NAFLD. Door grootschalige, complexe data te analyseren, kunnen ML-technologieën automatisch potentiële patronen en relaties identificeren, en zijn ze breed toegepast bij de diagnose en voorspelling van diverse ziekten6. Zo werden ML-algoritmen gebruikt om het risico op cirrose te voorspellen bij personen met een chronische hepatitis B-virusinfectie, wat veelbelovende resultaten behaalde7. Vergelijkbare studies in het NAFLD-veld hebben met succes diagnostische modellen ontwikkeld met traditionele machine learning-algoritmen, zoals support vector machines (SVM) en random forests (RF), waarbij hoge nauwkeurigheid wordt bereikt en sterke klinische toepasbaarheid wordt aangetoond 8,9,10,11,12,13,14,15,16,17,18. Zo ontwikkelden onderzoekers een machine learning-model dat laboratoriumparameters gebruikt om NAFLD effectief uit te filteren in de algemene bevolking door de analyse van routinematige laboratoriumgegevens. Er werd een ML-model ontwikkeld dat laboratoriumparametersgebruikt om NAFLD effectief uit te sluiten in de algemene bevolking door de analyse van routinematige laboratoriumgegevens. De prevalentie van NAFLD in de VS werd voorspeld door het combineren van tijdelijke elastografie met machine learning-methoden met behulp van NHANES 2017–2018 data16. Het onderzoeksteam gebruikte machine learning-algoritmen om de correlatie tussen tijdelijke elastografie en andere klinische variabelen te onderzoeken en ontwikkelde een voorspellend model dat betrouwbaar de prevalentie van NAFLD schatte bij diverse populaties.
Traditionele machine learning-methoden vereisen echter doorgaans aanzienlijke handmatige inspanning, met name bij feature engineering, modelselectie en parameterafstemming, waarvoor gespecialiseerde kennis en ervaring vereist is. Om deze beperkingen aan te pakken, is geautomatiseerd machine learning (AutoML) ontwikkeld. AutoML automatiseert de volledige modelbouwpijplijn, inclusief datapreprocessing, featureselectie, modelselectie en hyperparameteroptimalisatie, waardoor zowel de efficiëntie als nauwkeurigheid van machine learning-processenaanzienlijk worden verbeterd. Een voorspellend model voor slokdarmvariceale bloedingen werd ontwikkeld en gevalideerd met behulp van het H2O AutoML-platform20. Het model maakte gebruik van diverse algoritmen, waaronder deep learning (DL), eXtreme Gradient Boosting (XGBoost), gegeneraliseerde lineaire modellen (GLM), gradient boosting machines (GBM), random forests (RF) en stacking ensembles, met een voorspellingshorizon van 12 maanden. AutoML werd ingezet om het risico op levermetastase bij gastro-intestinale stromale tumorpatiënten te voorspellen, gebruikmakend van gegevens uit de SEER-database21. AutoML-platforms werden benut om een snelle en kosteneffectieve diagnostische tool voor prostaatkanker te ontwikkelen met behulp van routinematige klinische gegevens22. De opkomst van AutoML heeft efficiëntere oplossingen voor klinische diagnose geboden, en het potentieel ervan in NAFLD-screening verdient verdere onderzoek. Hoewel de vroege opsporing en nauwkeurige diagnose van NAFLD cruciaal zijn, brengt de asymptomatische aard van de ziekte aanzienlijke diagnostische uitdagingen met zich mee. Hoewel AutoML-technologie groot potentieel heeft getoond bij ziektediagnose, blijft de toepassing ervan in NAFLD-diagnose beperkt, wat de veelbelovende vooruitzichten van dit onderzoeksveld onderstreept.
Deze studie ontwikkelde een diagnostisch model voor niet-alcoholische leververvetting (NAFLD) door gebruik te maken van AutoML-technologie in combinatie met tijdelijke elastografie, gebruikmakend van gegevens uit de US NHANES-database (2017–2018). Het model werd extern gevalideerd met behulp van een dataset van personen van de afdeling Infectieziekten, First Affiliated Hospital van de Wenzhou Medical University (2018–2020). De studie beoordeelde de prestaties van het model op een externe dataset en vergeleek deze met traditionele methoden, waarmee bestaande onderzoekstekorten werden aangepakt. Door de analyse van meerdere bloed- en biochemische markers werden voorspellende modellen opgebouwd met behulp van algoritmen zoals logistische regressie en random forests. De resultaten gaven aan dat het model beter presteerde bij het nauwkeurig identificeren van niet-NAFLD-personen. Dit biedt niet alleen een efficiënt en precieus hulpmiddel voor vroege NAFLD-screening, maar bevordert ook de integratie van AutoML in medische toepassingen.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Patiënten en studieontwerp
De eerste dataset van deze studie werd verkregen uit de National Health and Nutrition Examination Survey (NHANES) database voor de periode 2017–2018. Deze specifieke periode werd gekozen omdat de onderzoeksgegevens lever-ultrasone transiënte elastografiemetingen omvatten met behulp van FibroScan-technologie®. NHANES hanteert een gestratificeerd, meerfasig probability sampling design en dient als een landelijke, populatiegebaseerde enquête die om de twee jaar wordt uitgevoerd. Het verzamelt systematisch nationaal representatieve gezondheidsgerelateerde gegevens over de niet-geïnstitutionaliseerde Amerikaanse bevolking om de voedings- en gezondheidstoestand van de algemene burgerbevolking in deVerenigde Staten te evalueren. De NHANES is een nationaal representatieve, crosssectionele studie die wordt uitgevoerd door het National Center for Health Statistics (NCHS). Het enquêteprotocol kreeg goedkeuring van de NCHS Research Ethics Review Board, waarbij gedocumenteerde geïnformeerde toestemming van alle deelnemers werd verkregen. De studie werd uitgevoerd in overeenstemming met zowel de Verklaringen van Helsinki als Istanbul, en werd goedgekeurd door de ethische commissie van het Eerste Geaffilieerde Ziekenhuis van de Wenzhou Medische Universiteit (2016–246, 1 december 2016), waarbij schriftelijke geïnformeerde toestemming van elke deelnemer werd verkregen.
De eerste dataset bestond uit 5494 personen uit de NHANES-enquête 2017–2018 die een FibroScan-onderzoek ondergingen. Na de onderstaande uitsluiting werden in totaal 2677 deelnemers in de analyse opgenomen, bestaande uit 718 personen met NAFLD en 1959 met niet-NAFLD. Deze deelnemers werden vervolgens willekeurig verdeeld in een trainingsset (n = 1785) en een testset (n = 892). De tweede dataset bestond uit 582 personen van de afdeling Infectieziekten van het Eerste Geaffilieerde Ziekenhuis van de Wenzhou Medische Universiteit (2018–2020). Na toepassing van dezelfde uitsluitingscriteria werden in totaal 200 personen opgenomen, bestaande uit 159 personen met NAFLD en 41 personen met niet-NAFLD. Deze cohort werd gebruikt als een onafhankelijke validatieset. Het onderzoeksontwerp is ontwikkeld om het model te construeren en te valideren met behulp van multi-center data, waardoor de betrouwbaarheid en generaliseerbaarheid van de bevindingen worden verbeterd. De klinische basiskenmerken van de NAFLD- en niet-NAFLD-groepen werden samengevat met behulp van het tabel één-pakket (Tabel 1). Daarnaast worden het proces van patiëntselectie en de algemene studieflow geïllustreerd in Figuur 1.
Diagnostische criteria en exclusiecriteria voor NAFLD
De diagnose NAFLD was gebaseerd op de volgende criteria:16 jaar of ouder, deelname aan transient elastografie (FibroScan) screening met alcoholinname beperkt tot ≤140 g/week voor vrouwen en ≤ 210 g/week voor mannen over de voorgaande 12 maanden, een gecontroleerde attenuatieparameter (CAP)-waarde van ≥ 302 dB/m gemeten met het FibroScan 502 V2 Touch-systeem (Echosens, Parijs, Frankrijk) met een middelgrote (M) of extra grote (XL) sonde, of een diagnose bevestigd door leverbiopsiepathologie van de afdeling Infectieziekten van het Eerste Geaffilieerde Ziekenhuis van de Wenzhou Medische Universiteit23.
De uitsluitingscriteria voor NAFLD zijn als volgt uiteengezet:hoge alcoholconsumptie (gemiddelde dagelijkse inname > 20 g voor vrouwen en > 30 g voor mannen volgens de NHANES alcoholgebruiksenquête5), aanwezigheid van hepatitis B of C, hiv-infectie, auto-immuunhepatitis, primaire galwegcholangitis, de ziekte van Wilson, langdurig gebruik van niet-steroïde ontstekingsremmers, calciumkanaalblokkers, tamoxifen, amiodaron, corticosteroïden, isoniazide of methotrexaat, zwangerschap of borstvoeding, en een diagnose leverkanker of een andere goedaardige of kwaadaardige tumor.
Dataverzameling en variabeleselectie
De potentiële voorspellervariabelen die in deze studie zijn opgenomen, worden hieronder vermeld:
Demografische kenmerken (d.w.z. leeftijd en geslacht); Body mass index (BMI); CAP-waarden van deelnemers in de NHANES-database; Algemene biochemische tests [d.w.z. albumine (ALB), globuline (GLO), totaal eiwit (TP), lactaatdehydrogenase (LDH), bloedureastikstof (BUN), urinezuur (UA), gamma-glutamyltransferase (GGT), triglyceride (TG), serumglucose (glu), serumcreatinine (SCr), totale bilirubine (TBIL), natrium (Na⁺), chloride (cl⁻), kalium (K⁺), calcium (ca), bicarbonaat (HCO₃), totaal cholesterol (TC), aspartaataminotransferase (AST) en alanineaminotransferase (ALT)]; Standaard hematologische parameters [d.w.z. Rode Bloedcellen tellingen (RBC), Witte bloedcellen (WBC), Neutrofieltellingen (NEUT), Eosinofieltellingen (EOS), lymfocytentellingen (LYM), Monocytentellingen (MON), Rode bloedcellen distributiebreedte (RDW) en Bloedplaatjes (PLT)]; Voorgeschiedenis van hypertensie en diabetes mellitus (DM). Onder de betrokken proefpersonen werden de diagnostische criteria voor diabetes en hypertensie verkregen uit een eerdere machine learning-gebaseerde voorspellingsmodelstudie gericht op NAFLD24.
Verwerking van ontbrekende gegevens en functieselectie
De cohortgegevens die in deze studie werden gebruikt, omvatten ontbrekende waarden. Het uitsluiten van alle onvolledige records zou niet alleen de steekproefgrootte van de analyse verkleinen, maar ook de datakwaliteit aantasten en mogelijk de voorspellingsresultaten vertekenen. Daarom werden alle gegevens met ontbrekende waarden boven de 20% uitgesloten. Voor datasets met ontbrekende waarden ≤20% werden verschillende imputatiemethoden toegepast op basis van het datatype: "norm" voor continue variabelen, "logreg" voor binaire classificatievariabelen en "polyreg" voor multiclass-variabelen. Deze imputaties werden uitgevoerd met het "muizen"-pakket in R voor meervoudige imputatie25. In deze studie werden alle continue variabelen gedichotomiseerd in binaire variabelen, waarbij optimale classificatiedrempels werden bepaald via de analyse van de receiver operating characteristic (ROC). Specifiek werd het cut-offpunt dat overeenkomt met de maximale Youden-index op de ROC-curve gekozen als het optimale classificatiecriterium, waardoor de classificatieprestaties werden geoptimaliseerd terwijl een passend evenwicht tussen gevoeligheid en specificiteit behouden bleef. Vervolgens werd gedeeltelijke least squares discriminant analysis (PLS-DA) toegepast om de data effectief te clusteren.
Voor verdere functieselectie werden individuen willekeurig toegewezen aan trainings- en testsets met een verhouding van 7:3 met behulp van het "caret"-pakket. Ten eerste werd de regressie van de minimale absolute krimp en selectie-operator (LASSO) gebruikt voor featureselectie, waarbij 14 belangrijke variabelen werden geïdentificeerd voor latere analyse. Vervolgens werd ChatGPT-4 toegepast om aan elke variabele een belangrijkheidsscore toe te wijzen. Om het belang van kenmerken systematisch te evalueren terwijl er rekening wordt gehouden met mogelijke bias en stochastische variatie, werd een gestandaardiseerd beoordelingsprotocol geïmplementeerd. De specifieke prompt die aan het model werd gegeven was: "Op basis van gevestigde klinische literatuur over niet-alcoholische leververvetting (NAFLD), ken een belangrijkheidsscore toe van 1 (laagste) tot 10 (hoogste) voor elk van de volgende 14 variabelen die via LASSO-regressie zijn geïdentificeerd." Door de evaluatie strikt te beperken tot de vooraf geselecteerde variabelen door LASSO-regressie, werd het risico op het opnemen van gehallucineerde of irrelevante kenmerken geminimaliseerd. Om mogelijk datalekken en onbedoeld gebruik van uitkomstprevalentie strikt te voorkomen, was het taalmodel volledig geblindeerd voor de empirische dataset. De scoring was beperkt tot het synthetiseren van bestaande medische kennis over de variabelennamen. Deze procedure versterkt traditionele methodologieën, zoals LASSO-stabiliteitsselectie of SHAP-gebaseerde snoei, door ervoor te zorgen dat puur datagedreven kenmerken robuuste pathofysiologische plausibiliteit vertonen vóór de definitieve modelintegratie. Daarnaast werd deze procedure om single-response variantie te beperken tien keer onafhankelijk herhaald. De gemiddelde score voor elke variabele werd berekend over deze iteraties, wat een objectieve prioritering waarborgde. Variabelen werden vervolgens in aflopende volgorde gerangschikt op basis van hun gemiddelde scores. Ten slotte werd de selectie beperkt tot alleen die variabelen met een gemiddelde belangrijkheidsscore boven de 5, wat resulteerde in 8 belangrijke variabelen: SCr, UA, GGT, Glu, Hypertensie, Diabetes, TG en BMI.
Ontwikkeling van op AutoML gebaseerde voorspellingsmodellen voor NAFLD
In deze studie werd een uitgebreide reeks klassieke en geavanceerde machine learning-algoritmen geïntegreerd met H2O AutoML voor de effectieve diagnose van NAFLD. Door gebruik te maken van de AutoML-mogelijkheden van het H2O.ai platform, werden machine learning-analyses uitgevoerd voor binaire classificatietaken. De gebruikte algoritmen omvatten eXtreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), Generalized Linear Model (GLM), Extremely Randomized Trees (XRT), Deep Learning (DL) en Stacked Ensemble. Deze algoritmen werden systematisch geëvalueerd om het optimale model voor ziektediagnose te identificeren. Om een rigoureuze methodologische reproduceerbaarheid te waarborgen, werden de uitvoeringsparameters van H2O AutoML expliciet gedefinieerd. De geautomatiseerde zoekopdracht was beperkt tot een maximale looptijd van 11.687 seconden en maximaal 302 modellen, waarbij een vaste willekeurige seed van 13 werd gebruikt. Interne preprocessing-vlaggen omvatten automatische imputatie van resterende ontbrekende waarden met behulp van mean/mode-algoritmen, evenals doelcodering voor categorische variabelen met hoge kardinaliteit. De geselecteerde optimale architectuur (aangeduid GBM_grid_1_model77) was een gradient boosting machine met de volgende specifieke hyperparameters: in totaal 28 bomen, een maximale boomdiepte van 5 en een leersnelheid van 0,1.
Om de robuustheid van het model te verbeteren en overfitting-risico's te beperken, werd een AutoML-framework geïmplementeerd met systematische hyperparameterafstemming en validatieprotocollen. Het proces begon met geautomatiseerde verkenning van 200 verschillende modelconfiguraties via hyperparameteroptimalisatie, waarbij gebruik werd gemaakt van 5-voudige kruisvalidatie waarbij de trainingsdataset werd opgedeeld in vijf wederzijds exclusieve subsets. Tijdens iteratieve training gebruikte elke configuratie vier subsets (80%) voor modelbouw, terwijl één subset (20%) werd gereserveerd voor validatie, waarbij deze validatierol sequentieel over alle folds werd geroteerd. Om rekenefficiëntie in balans te brengen met prestatieoptimalisatie, werd dynamische vroege stopwerking geïmplementeerd op basis van het oppervlak onder de ROC-curve (AUC) metriek. Dit mechanisme schortte de training op wanneer AUC-verbeteringen drie opeenvolgende cycli onder een drempel van 0,001 kwamen, wat zowel gold voor individuele modelverfijning als het totale AutoML-zoekproces. De definitieve modelselectie gaf prioriteit aan configuraties die een maximale gemiddelde AUC aantoonden over zowel trainings- als validatiesets, terwijl tegelijkertijd consistente prestaties tussen deze sets en minimale metrische variatie over cross-validatieiteraties werden vereist. Deze geïntegreerde aanpak zorgde voor optimale voorspellende nauwkeurigheid terwijl sterke generaliseerbaarheid behouden bleef door rigoureuze validatieprotocollen en geautomatiseerde optimalisatiebeperkingen.
Evaluatie van modelprestaties en interpretatie van voorspellingsresultaten
Modelprestaties en de interpretatie van voorspellingsresultaten werden uitgebreid beoordeeld met behulp van ROC-curves, F1-scores en SHapley additive explanation (SHAP) analyse. De prestaties van het model en de interpretatie van de voorspellingsresultaten werden uitgebreid geëvalueerd met behulp van ROC-curves, F1-scores en SHapley Additive Explanation (SHAP)-analyse. Aanvankelijk werden voorspellingen gegenereerd op de testdataset met behulp van het getrainde model, en werden de voorspelde kansen voor de positieve klasse (d.w.z. klasse 1) geëxtraheerd (pred_prob). De ROC-curve werd geconstrueerd met behulp van het pROC-pakket, en de AUC van het model, samen met het 95% betrouwbaarheidsinterval, werd berekend. De optimale drempel op de ROC-curve werd bepaald met behulp van Youden's J-statistiek (J = Gevoeligheid + Specificiteit − 1) voor het bepalen van binaire classificatielabels. Op basis van deze drempel, afgeleid van de ROC-curve, werden de voorspelde kansen omgezet in binaire voorspellingslabels (0 of 1), en werd vervolgens een verwarringsmatrix gegenereerd. De F1-score op de testset werd berekend met behulp van de verwarringsmatrixfunctie, en een visualisatie van de verwarringsmatrix werd gemaakt en opgeslagen. Daarnaast werd het model verder gevalideerd op een onafhankelijke externe validatiedataset bestaande uit 200 gevallen (van het First Affiliated Hospital van de Wenzhou Medical University). SHAP-waarden werden geanalyseerd met het "shapviz"-pakket om de impact van elke variabele op de voorspellingsuitkomsten van het model te verduidelijken, waardoor inzicht werd gegeven in de interpretatie van individuele NAFLD-likelihood-voorspellingen.
Statistische methoden
"Statistische analyse en softwareontwikkeling werden uitgevoerd met R versie 4.2.3 (R Foundation for Statistical Computing, Wenen, Oostenrijk). Continue variabelen werden aanvankelijk beoordeeld op normaliteit met behulp van de Shapiro-Wilk-test of visuele inspectie van Q-Q-grafieken. Normaal verdeelde gegevens werden gepresenteerd als gemiddelde ± standaarddeviatie (SD), en vergelijkingen tussen twee onafhankelijke groepen werden uitgevoerd met behulp van onafhankelijke steekproeven t-tests. Voor meervoudige groepsvergelijkingen werd eenrichtings-ANOVA toegepast met post-hoc Tukey's HSD-tests wanneer dat passend was. Niet-normaal verdeelde continue gegevens werden samengevat als mediaan [interkwartielbereik (IQR), P25–P75], en groepsvergelijkingen werden uitgevoerd met behulp van de Mann-Whitney U-test voor twee onafhankelijke groepen of de Kruskal-Wallis-test voor meerdere groepen, gevolgd door Dunns post-hoc test indien nodig. Categorische variabelen werden uitgedrukt als frequenties en percentages (%), en vergelijkingen van verhoudingen tussen groepen werden geanalyseerd met behulp van de chi-kwadraattest (χ2-test ) of de exacte test van Fisher wanneer de verwachte celtellingen minder dan 5 waren. Het significantieniveau werd vastgesteld op α = 0,05 (tweezijdig), en een p-waarde < 0,05 werd als statistisch significant beschouwd.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Klinische kenmerken van NAFLD
In deze studie werden de klinische kenmerken van personen met en zonder NAFLD systematisch geanalyseerd. Er werden verschillende methoden gebruikt om de verdeling en verschillen van deze kenmerken binnen de steekproefpopulatie duidelijk te illustreren (Tabel 1). In totaal werden 2.677 personen in de analyse opgenomen, waarvan 718 NAFLD hadden. De analyse omvatte een reeks klinische indicatoren, wa...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
NAFLD is wereldwijd de meest voorkomende oorzaak van chronische leverziekte, en de prevalentie stijgt elk jaar26 met ongeveer 1%. Ongeveer 30% van de wereldbevolking is getroffen, waardoor NAFLD niet alleen de belangrijkste chronische leveraandoening is, maar ook de snelst groeiende indicatie voor levertransplantatie. Geautomatiseerd machine learning (AutoML) is uitgegroeid tot een waardevol hulpmiddel in de geneeskunde, m...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De auteurs verklaren dat zij geen belangenconflict hebben. In deze studie werd ChatGPT-4 (OpenAI) gebruikt als een intelligent analytisch hulpmiddel tijdens de featureselectiefase om de klinische relevantie te beoordelen van variabelen die door LASSO-regressie zijn geïdentificeerd. Alle door AI gegenereerde scores werden zorgvuldig door de auteurs beoordeeld en empirisch gevalideerd via het daaropvolgende AutoML-proces. ChatGPT-4 werd niet gebruikt om ruwe data te wijzigen of wiskundige berekeningen uit te voeren. De auteurs nemen volledige verantwoordelijkheid voor de integriteit en nauwkeurigheid van de uiteindelijke resultaten.
Dit werk werd ondersteund door het Startup Fund for Scientific Research van de Fujian Medical University [2021QH1176]; het Sleutellaboratorium voor Klinisch Laboratoriumdiagnose en Translationeel Onderzoek van de provincie Zhejiang [2022E10022]; het Provinciaal Medische en Gezondheidswetenschap en Technologieplan Project van Zhejiang [2024KY1265]; en het Wenzhou Municipal Basic Public Welfare Research Project [Y2023096].
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Datasets voor NAFLD (2017–2018) | NHANES-database [https://wwwn.cdc.gov/nchs/nhanes/continuousnhanes/default.aspx?BeginYear=2017] | N/A | als trainingsset voor modelconstructie |
| Datasets voor NAFLD (2018–2020) | The First Affiliated Hospital of Wenzhou Medical University (2018–2020), China. [https://doi.org/10.6084/m9.figshare.32105248.] | N/A | als testset voor de externe validatie van het model |
| R (versie 4.2.3) | R Foundation for Statistical Computing | N/A | gebruikt in combinatie met andere tools om gegevensanalyse uit te voeren en visuele en grafische presentaties te genereren. |
| Adobe Illustrator 2025 (versie 29.2) | Adobe Systems Incorporated | N/A | Voor beeldlay-out en -bewerking |
| ChatGPT-4 | OpenAI Inc. | N/A | Voor het toekennen van een belangrijkheidsscore aan elke geselecteerde variabele |
| H2O AutoML (3.44.0.3) | H2O.ai | N/A | Voor het integreren van een uitgebreide set machine learning-algoritmen |
Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken
Toestemming aanvragen