Met een XGBoost-algoritme is het mogelijk om met 14 klinische parameters 29.000 niet-gediagnosticeerde patiënten met niet-alcoholische steatohepatitis (NASH) op de sporen in een cohort van 100.000 patiënten met niet-alcoholische vetleverziekte (NAFLD) uit een real-world klinische database. Daaruit concluderen de onderzoekers dat dit machine-learning algoritme een waardevolle screeningsmethode kan zijn voor de klinische praktijk.
Het algoritme is ontwikkeld door onderzoekers van de Johannes Gutenberg-Universität Mainz en Novartis Pharma AG, Basel. Zij gebruikten daarvoor de NAFLD Adult Database van het National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) van de National Institutes of Health (NIH) en de Optum Electronic Health Record-database (Optum-EHR). De onderzoekers verzamelden hieruit real-world data van de niet-invasieve klinische parameters die vaak bij patiënten gemeten worden. Met de gegevens uit de NIDDK-database ontwikkelden de onderzoekers het best presterende algoritme en testten dit vervolgens in de Optum-database.
Een uitgebreid extreme gradient boosting model algoritme (XGBoost), met 14 klinische parameters had in de NIDDK-database een area under the curve (AUC) van 0,82 en in de Optum EHR-database was de AUC 0,76. Concreet betekent dit dat in een cohort van 100.000 NAFLD-patiënten, 29.000 niet-geïdentificeerde NASH-patiënten werden opgespoord. Een eenvoudiger algoritme op grond van vijf variabelen, presteerde iets minder goed met een AUC van respectievelijk 0,80 en 0,74 in de NIDDK en Optum EHR-databases.
Het onderzoek stond onder leiding van Jörn Schattenberg, hoofd van de afdeling Metabole Leverziekten en het Translationeel Hepatologie Researchlaboratorium bij het departement Gastro-enterologie en Hepatologie van Johannes Gutenberg. “Het algoritme kan worden gebruikt ter ondersteuning van een tijdige screening en behandeling van NASH, evenals bij het rekruteren van patiënten voor klinische trials”, aldus Schattenberg. Hij heeft voor ogen dat het algoritme op termijn wordt geïntegreerd in software voor medische databases.
Huang J, Doherty M, Regnier S. et al. An innovative tool based on machine learning techniques predicts NASH-patients in real-world settings. Abstract 190. Hepatology 2019;70;S1.