在住院的肝硬化患者中，与传统方法相比，机器学习（ML）模型增强了死亡率预测，并且在一项全球大型研究中，国家收入水平均保持一致。
``这种高度包容性，代表和全球衍生的模型已在外部验证。Medscape Medical News。这给了我们水晶球。它可以帮助医院团队，移植中心，胃肠病学和重症监护病房服务分类，并更有效地对患者进行优先级优先。”
支持该模型的研究，Bajaj说可以在此阶段使用该模型在线发布在胃肠病学。该模型可在https://silveys.shinyapps.io/app_cleared/。清除的队列分析
根据Bajaj及其同事的说法，全球范围内有关可用资源，门诊服务，入学理由和肝硬化病因的广泛差异会影响患者的预后。
因此，他们试图使用ML方法来改善所有国家的预后。
他们分析了来自前瞻性慢性肝病演化的入院数据和事件和代偿作用（清除）财团的注册中心，其中包括六大洲肝硬化的住院患者。该分析将ML方法与后勤回归进行了比较，以预测住院死亡率。
研究人员使用世界 - 银行收入状况进行了内部验证（75/25拆分）和细分：低/低中/中间（LMIC），上层中间（UMIC）和High（HIC）。他们确定，在美国兽医肝硬化住院群体中，具有最佳区域曲线区域（AUC）（AUC）的ML模型将得到外部验证。
清除的队列包括7239个肝硬化住院患者（平均年龄，56岁；男性中位数为64％；中位数为25），来自全球115个中心；22.5％的中心属于LMIC，41％属于UMIC，而HICS则为34％。
医院共有808例患者（11.1％）死亡。
随机林分析表明，最佳的AUC（0.815）具有高校准。这明显好于参数逻辑回归（AUC，0.774）和Lasso（AUC，0.787）模型。
无论国家收入级别如何：HIC（AUC，0.806），UMIC（AUC，0.867）和L-LMIC（AUC，0.768），随机福雷也比逻辑回归更好。
在从随机林中选出的前15个重要变量中，有15个因急性肾脏损伤的入院，肝性脑病，高MELD-NA/White Blood Count以及不在高收入国家中的最高变量是最可预测死亡率的变量。
相比之下，较高的白蛋白，血红蛋白，入院的利尿剂使用，病毒病因和在高收入国家中是最保护性的。
随机模型在28,670名退伍军人（平均年龄为67岁；男性96％; MELD-NA，15岁）中得到了验证，住院死亡率为4％（1158例患者）。
最终使用67个原始协变量中的48个随机索引模型的强大AUC为0.859。仅使用前15个变量的翻新版本的AUC为0.851。
临床相关性
Bajaj指出，肝硬化和由此产生的器官失败仍然是一个动态和多学科的问题。机器学习技术是该人群中需要的多方面管理策略的一部分。
他说，如果患者属于高危类别，则需要在提供信息之前与患者，家庭和临床团队进行仔细的咨询，包括该模型的源自何处。这些讨论的结果可能是关于转移决策，更具侵略性的监测/ICU转移，姑息治疗或移植评估的启发性。”
Meena B. Bansal，医学博士，纽约市西奈山卫生系统肝脏疾病的系统负责人，称该工具非常有前途。但是，她告诉Medscape Medical News，它在VA [退伍军人事务]队列中得到了验证，这与西奈山的患者队列有所不同。因此，在较高的肝移植大量肝移植的更多学术三级护理医疗中心的验证会很有帮助。
此外，没有参与研究的班萨尔说，他们排除了接受肝移植的人，虽然只有少数数量，但这是一个重要的限制。”
她补充说，尽管如此，人工智能在预测风险模型中具有巨大的潜力，并且很可能是一种有助于风险分层，临床管理以及希望改善临床结果的工具。”
这项研究得到了对Bajaj和国家卫生研究院转化科学中心的VA功绩审查的部分支持。任何作者均未报告任何利益冲突。
玛丽莲·拉金（Marilynn Larkin），马萨诸塞州，是一位屡获殊荣的医学作家和编辑，其作品已出现在许多出版物中，包括Medscape Medical News及其姐妹出版物Mdedge，Lancet（她是著名的编辑）和Reuters Health。