توسعه و ارزیابی مدل یادگیری ماشین برای پیش‌بینی عود هپاتیت خودایمنی پس از قطع درمان بر اساس عوامل بالینی و آزمایشگاهی
کلمات کلیدی:
هپاتیت خودایمنی, عود بیماری, قطع درمان, یادگیری ماشین, مدل پیش‌بینی بالینیچکیده
زمینه و هدف: عود پس از قطع درمان یکی از چالش‌های مهم در مدیریت هپاتیت خودایمنی است؛ زیرا ارزیابی‌های متداول ممکن است تعامل پیچیده میان عوامل بالینی و آزمایشگاهی متعدد را به‌طور کامل نشان ندهند. هدف این مطالعه، توسعه و ارزیابی یک چارچوب مبتنی بر یادگیری ماشین برای پیش‌بینی عود هپاتیت خودایمنی پس از قطع درمان بر اساس متغیرهای بالینی و آزمایشگاهی قابل دسترس بود.
روش تحقیق: در چارچوب پیشنهادی، متغیرهای جمعیت‌شناختی، بالینی، آزمایشگاهی، مرتبط با بیماری و درمان به‌عنوان پیش‌بین‌های احتمالی عود در نظر گرفته شدند. الگوریتم‌های یادگیری ماشین برای شناسایی روابط غیرخطی و تعامل میان متغیرهای پیش‌بین طراحی شدند. مراحل پیش‌پردازش داده‌ها، انتخاب ویژگی‌ها، توسعه مدل، اعتبارسنجی داخلی، ارزیابی قدرت تفکیک و کالیبراسیون و بررسی قابلیت کاربرد بالینی در طراحی مدل لحاظ شد.
نتایج: این چارچوب امکان ترکیب همزمان چندین عامل پیش‌بینی‌کننده و برآورد فردمحور خطر عود را فراهم می‌کند. کاهش بیش‌برازش، حفظ قابلیت تفسیر مدل و ارزیابی همزمان تفکیک‌پذیری و کالیبراسیون از محورهای اصلی مدل‌سازی بودند.
نتیجه‌گیری: روش‌های یادگیری ماشین می‌توانند چارچوبی منسجم برای پیش‌بینی فردمحور عود هپاتیت خودایمنی پس از قطع درمان فراهم کنند. پیش از استفاده بالینی، اعتبارسنجی خارجی مدل در جمعیت‌های مستقل ضروری است.
مراجع
Çavuş B, Akyuz F, İliaz R, Atasoy A, Akyuz U, Demir K, et al. Is there any predictor for relapse after treatment withdrawal in autoimmune hepatitis patients in the real life? Int J Immunopathol Pharmacol. 2022;36:3946320221077860.
Korean Association for the Study of the Liver. KASL clinical practice guidelines for management of autoimmune hepatitis 2022. Clin Mol Hepatol. 2023;29(3):542-592.
Muratori L, Lohse AW, Lenzi M. Diagnosis and management of autoimmune hepatitis. BMJ. 2023;380:e070201.
Goel A, Kwo P. Treatment of autoimmune hepatitis. Clin Liver Dis. 2024;28(1):51-61.
Mercado LA, Gil-Lopez F, Chirila RM, Harnois DM. Autoimmune hepatitis: A diagnostic and therapeutic overview. Diagnostics (Basel). 2024;14(4):382.
Reau NS, Lammert CS, Weinberg EM. Autoimmune hepatitis: Current and future therapies. Hepatol Commun. 2024;8(6):e0458.
Adao I, Klepper A, Tana M. AIH therapy: Beyond first-line. Curr Hepatol Rep. 2024;23(3):341-348.
Meng Z, Yang Y. Advances in the treatment of autoimmune hepatitis. J Clin Transl Hepatol. 2024;12(10):878-885.
Imbert A, Gavlovsky PJ, Judor JP, Bardou-Jacquet E, Elkrief L, Lannes A, et al. T cell immuno-phenotyping: A source of predictive biomarkers for autoimmune hepatitis relapse. Sci Rep. 2024;14(1):24448.
Heneghan MA, Lohse AW. Update in clinical science: Autoimmune hepatitis. J Hepatol. 2025;82(5):926-937.
European Association for the Study of the Liver. EASL Clinical Practice Guidelines on the management of autoimmune hepatitis. J Hepatol. 2025;83(2):453-501.
Gleeson D, Bornand R, Brownlee A, Dhaliwal H, Dyson JK, Hails J, et al. British Society of Gastroenterology guidelines for diagnosis and management of autoimmune hepatitis. Gut. 2025;74(9):1364-1409.
Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378.
Moons KGM, Damen JAA, Kaul T, Hooft L, Andaur Navarro C, Dhiman P, et al. PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ. 2025;388:e082505.
دانلود
چاپ شده
شماره
نوع مقاله
مجوز
حق نشر 2026 مجله علمی مطالعات پژوهشی در علوم پایه و علوم پزشکی آینده
این پروژه تحت مجوز بین المللی Creative Commons Attribution 4.0 می باشد.
