Maschinelles Lernen hilft bei der Vorhersage des HCC-Risikos in MASLD

OBERSTEN ZEILE:

Ein Modell für maschinelles Lernen (ML), das Standardlaborwerte und klinische Daten verwendet, kann dabei helfen, das Risiko eines hepatozellulären Karzinoms (HCC) bei Patienten mit metabolischer Dysfunktion-assoziierter steatotischer Lebererkrankung (MASLD) mit hoher Spezifität und Sensitivität vorherzusagen, wie eine neue Studie ergab.

METHODIK:

• Da die Inzidenz von HCC zunimmt und mit MASLD korreliert, auch bei Patienten ohne fortgeschrittene Leberfibrose, haben Forscher ein ML-Modell entwickelt, das darauf abzielt, das HCC-Risiko für Patienten mit MASLD in jedem Stadium der Krankheit abzuschätzen.
• Daten von 1561 Patienten mit MASLD wurden verwendet, um das Pilot-Vorhersagemodell zu entwickeln und zu trainieren, das anschließend in einem unabhängigen Datensatz von 686 Patienten mit MASLD validiert wurde. Die Patienten wurden zwischen 2010 und 2021 in einem von zwei akademischen medizinischen Zentren betreut.
• Die Forscher nutzten die Codes der International Classification of Diseases (ICD) 9/10 Clinical Modification (CM), um Patienten mit MASLD und HCC in den elektronischen Patientenakten (EMR) der beiden Institutionen zu identifizieren.

WEGBRINGEN:

• Ein HCC entwickelte sich bei 227 Patienten (14 %) in der Trainingskohorte und bei 176 Patienten (25 %) in der Validierungskohorte.
• Die durch den nichtinvasiven Fibrose-4-Score bestimmte Leberfibrose war der stärkste prädiktive Parameter für HCC im Modell. Die anderen wichtigsten prädiktiven Parameter waren Gesamtcholesterin, alkalisches Phosphat, Bilirubin und Bluthochdruck.
• In der Validierungskohorte sagte das Modell, das alle vier Parameter kombinierte, die HCC-Entwicklung mit einer Genauigkeit von 92,06 % voraus, mit einer Fläche unter der Kurve von 0,97, einer Sensitivität von 74,41 % und einer Spezifität von 98,34 %.

IN DER PRAXIS:

„Wir stellen uns vor, dass das Modell in einer klinischen Umgebung als Point-of-Care-Tool sowie für die Triage auf Bevölkerungsebene anwendbar sein wird. Das Tool kann so konfiguriert werden, dass es automatisch einen Risikovorhersage-Score mit den erforderlichen Daten aus der EMR generiert. Die Verfügbarkeit.“ „Ein solcher Score kann Anbietern und Patienten dabei helfen, Screening-Strategien effektiv zu diskutieren und modifizierbare Maßnahmen zu ergreifen, um Risiken für die Entwicklung von HCC zu mindern“, schreiben die Autoren.

QUELLE:

Die Studie mit dem Erstautor Souvik Sarkar, MD, University of California Davis, Sacramento, Kalifornien, wurde am 22. Januar 2024 online veröffentlicht Fortschritte bei der Gastro Hep.

EINSCHRÄNKUNGEN:

Obwohl Daten von zwei unabhängigen Kohorten verwendet wurden, war die Größe der Kohorten relativ klein. Die Studie stützte sich auf ICD-CM-Codes (Diagnosecodes). Das Modell berücksichtigte keine Leberbiopsie oder Bildgebungsbefunde.

OFFENLEGUNG:

Die Studie hatte keine Finanzierung. Die Autoren gaben keine Interessenkonflikte bekannt.