SwePub
Sök i LIBRIS databas

  Utökad sökning

onr:"swepub:oai:DiVA.org:liu-202328"
 

Sökning: onr:"swepub:oai:DiVA.org:liu-202328" > Machine learning ap...

  • Mcteer, MatthewNewcastle Univ, England (författare)

Machine learning approaches to enhance diagnosis and staging of patients with MASLD using routinely available clinical information

  • Artikel/kapitelEngelska2024

Förlag, utgivningsår, omfång ...

  • PUBLIC LIBRARY SCIENCE,2024
  • printrdacarrier

Nummerbeteckningar

  • LIBRIS-ID:oai:DiVA.org:liu-202328
  • https://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-202328URI
  • https://doi.org/10.1371/journal.pone.0299487DOI

Kompletterande språkuppgifter

  • Språk:engelska
  • Sammanfattning på:engelska

Ingår i deldatabas

Klassifikation

  • Ämneskategori:ref swepub-contenttype
  • Ämneskategori:art swepub-publicationtype

Anmärkningar

  • Funding Agencies|Newcastle University; Red Hat UK; LITMUS project - Innovative Medicines Initiative 2 Joint Undertaking [777377]; European Union's Horizon 2020 research and innovation programme; EFPIA; Newcastle NIHR Biomedical Research Centre.
  • Aims Metabolic dysfunction Associated Steatotic Liver Disease (MASLD) outcomes such as MASH (metabolic dysfunction associated steatohepatitis), fibrosis and cirrhosis are ordinarily determined by resource-intensive and invasive biopsies. We aim to show that routine clinical tests offer sufficient information to predict these endpoints.Methods Using the LITMUS Metacohort derived from the European NAFLD Registry, the largest MASLD dataset in Europe, we create three combinations of features which vary in degree of procurement including a 19-variable feature set that are attained through a routine clinical appointment or blood test. This data was used to train predictive models using supervised machine learning (ML) algorithm XGBoost, alongside missing imputation technique MICE and class balancing algorithm SMOTE. Shapley Additive exPlanations (SHAP) were added to determine relative importance for each clinical variable.Results Analysing nine biopsy-derived MASLD outcomes of cohort size ranging between 5385 and 6673 subjects, we were able to predict individuals at training set AUCs ranging from 0.719-0.994, including classifying individuals who are At-Risk MASH at an AUC = 0.899. Using two further feature combinations of 26-variables and 35-variables, which included composite scores known to be good indicators for MASLD endpoints and advanced specialist tests, we found predictive performance did not sufficiently improve. We are also able to present local and global explanations for each ML model, offering clinicians interpretability without the expense of worsening predictive performance.Conclusions This study developed a series of ML models of accuracy ranging from 71.9-99.4% using only easily extractable and readily available information in predicting MASLD outcomes which are usually determined through highly invasive means.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

  • Applegate, DouglasNovartis Inst Biomed Res, MA USA (författare)
  • Mesenbrink, PeterNovartis Pharmaceut, NJ USA (författare)
  • Ratziu, VladInst Cardiometab & Nutr, France (författare)
  • Schattenberg, Joern M.Saarland Univ, Germany; Saarland Univ, Germany (författare)
  • Bugianesi, ElisabettaUniv Torino, Italy (författare)
  • Geier, AndreasUniv Hosp Wurzburg, Germany (författare)
  • Gomez, Manuel RomeroUniv Hosp Wurzburg, Germany (författare)
  • Dufour, Jean-FrancoisUniv Bern, Switzerland (författare)
  • Ekstedt, MattiasLinköpings universitet,Avdelningen för diagnostik och specialistmedicin,Medicinska fakulteten,Region Östergötland, Mag- tarmmedicinska kliniken(Swepub:liu)matek92 (författare)
  • Francque, SvenAntwerp Univ Hosp, Belgium (författare)
  • Yki-Jarvinen, HanneleUniv Helsinki, Finland (författare)
  • Allison, MichaelUniv Cambridge, England (författare)
  • Valenti, LucaUniv Milan, Italy (författare)
  • Miele, LucaUniv Cattolica Sacro Cuore, Italy (författare)
  • Pavlides, MichaelUniv Oxford, England (författare)
  • Cobbold, JeremyUniv Oxford, England (författare)
  • Papatheodoridis, GeorgiosNatl & Kapodistrian Univ Athens, Greece (författare)
  • Holleboom, Adriaan G.AMC Amsterdam, Netherlands (författare)
  • Tiniakos, DinaNatl & Kapodistrian Univ Athens, Greece; Newcastle Univ, England (författare)
  • Brass, CliffordNovartis Inst Biomed Res, MA USA (författare)
  • Anstee, Quentin M.Newcastle Univ, England; Newcastle Tyne Hosp NHS Fdn Trust, England (författare)
  • Missier, PaoloNewcastle Univ, England (författare)
  • Newcastle Univ, EnglandNovartis Inst Biomed Res, MA USA (creator_code:org_t)

Sammanhörande titlar

  • Ingår i:PLOS ONE: PUBLIC LIBRARY SCIENCE19:21932-6203

Internetlänk

Hitta via bibliotek

  • PLOS ONE (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy