Une récente Rapports scientifiques L’étude a évalué les performances de différents modèles d’apprentissage automatique dans la détection de l’hépatite chez les personnes atteintes de diabète.
Étude: Apprentissage automatique pour prédire l’infection par le virus de l’hépatite B ou C chez les patients diabétiques. Crédit d’image : LALAKA/Shutterstock.com
Sommaire
Arrière-plan
Le diabète sucré (DM) a été considéré comme l’une des maladies métaboliques chroniques les plus répandues à l’échelle mondiale chez l’homme. Cette maladie est classée en deux types, à savoir le diabète sucré de type 1 (DT1) et le diabète sucré de type 2 (DT2).
Le DT1 est causé par une perte de cellules β dans le pancréas, entraînant une pénurie d’insuline endogène. Cependant, la manifestation du DT2 a été associée à des mécanismes multifactoriels provoquant une résistance à l’insuline, une altération de la sécrétion d’insuline et une surproduction de glucose par le foie.
Une combinaison de facteurs environnementaux et génétiques peut provoquer une diminution constante de la masse et/ou de la fonction des cellules β, ce qui pourrait par la suite se manifester par une hyperglycémie dans le DT1 et le DT2. Les personnes atteintes de toute forme de diabète sont susceptibles de développer des complications multiviscérales au fil du temps.
Récemment, de nombreuses études ont signalé une prévalence plus élevée des infections par le virus de l’hépatite B (VHB) et le virus de l’hépatite C (VHC) dans la population DM.
Par rapport aux personnes sans diabète, les personnes atteintes de diabète présentent un risque 60 % plus élevé de contracter une infection par le VHB. De même, la prévalence du VHC est également plus élevée dans le groupe diabétique que dans le groupe non diabétique.
Étant donné que certaines personnes diabétiques infectées par le VHB ou le VHC restent asymptomatiques, il est difficile de les identifier. Il existe un besoin de méthodes de dépistage sélectives pour identifier ou prédire le risque de contracter une hépatite chez les personnes atteintes de diabète.
Des études antérieures ont rapporté des résultats contradictoires concernant les facteurs conduisant au développement de l’hépatite chez les personnes atteintes de diabète.
L’apprentissage automatique est devenu un outil potentiel dans le secteur de la santé, car il peut extraire des informations utiles à partir d’ensembles de données cliniques déséquilibrés. Des modèles d’apprentissage automatique peuvent être appliqués pour identifier les principaux prédicteurs du développement de l’hépatite dans le diabète. Cela aidera les cliniciens à formuler des stratégies préventives ou thérapeutiques optimales.
Des études antérieures ont montré que les modèles d’apprentissage automatique étaient capables de prédire avec précision les personnes présentant un risque élevé d’hépatite.
Les modèles d’apprentissage automatique, tels que la forêt aléatoire (RF) et le K-voisin le plus proche, ont donné une précision globale de 96 % dans la prévision du VHC ; tandis que l’eXtreme Gradient Boosting (XGBoost) pourrait prédire le VHB avec une précision de 92 %.
L’intégration de divers algorithmes d’apprentissage automatique, une technique d’ensemble, a donné une meilleure précision qu’un seul modèle d’apprentissage automatique.
À propos de l’étude
Cette étude s’est concentrée sur la détermination des modèles d’apprentissage automatique les plus favorables, capables de détecter avec précision l’hépatite chez les personnes atteintes de diabète.
Les mensurations corporelles, les données démographiques, les profils lipidiques et les données du questionnaire ont été utilisés pour déterminer la relation entre le diabète et douze facteurs de risque d’hépatite.
Des ensembles de données prétraités de l’Enquête nationale sur la santé et la nutrition (NHANES), entre 2013 et 2018, ont été utilisés dans cette étude.
Cette étude a évalué quatre modèles d’apprentissage automatique, à savoir RF, SVM, XGBoost et l’opérateur de retrait et de sélection le moins absolu (LASSO), pour déterminer le risque d’hépatite chez les diabétiques.
Résultats de l’étude
Sur la base des critères d’inclusion, un total de 1 396 patients diabétiques ont été recrutés dans cette étude. L’âge moyen des participants était de 54 ans. La cohorte de l’étude comprenait soixante-quatre personnes atteintes du VHB ou du VHC et le reste sans la maladie.
Il convient de noter que le groupe atteint d’hépatite comprenait un pourcentage plus élevé d’individus blancs asiatiques et non hispaniques, tandis que le groupe non atteint d’hépatite contenait un nombre plus élevé d’individus mexicains et hispaniques. La majorité des individus du groupe atteint d’hépatite étaient des hommes.
En raison du rapport déséquilibré entre les patients non atteints d’hépatite et ceux atteints d’hépatite, la technique d’équilibrage de la technique de suréchantillonnage synthétique des minorités (SMOTE) a été utilisée. Après normalisation des données, le modèle d’apprentissage automatique a été entraîné et ses performances analysées.
Bien que tous les modèles d’apprentissage automatique évalués dans cette étude aient démontré des performances améliorées après le processus de réglage des hyperparamètres, la capacité prédictive la plus élevée du développement de l’infection par le VHB ou le VHC chez les personnes atteintes de diabète a été démontrée par LASSO.
L’optimisation des hyperparamètres a permis de sélectionner les paramètres les plus appropriés qui ont contribué à améliorer les performances des modèles d’apprentissage automatique.
Conformément aux résultats de cette étude, une étude antérieure a également démontré les performances supérieures de LASSO dans la prédiction du carcinome hépatocellulaire chez les patients atteints d’une infection chronique par le VHB.
Ces observations mettent en lumière l’application de LASSO dans la prise de décision clinique. Après avoir combiné des modèles hautement performants, les résultats d’ensemble ont indiqué que l’empilement n’améliorait pas toujours les mesures de performance des prédictions.
La pauvreté, la consommation de drogues illégales et la race sont les principaux facteurs prédictifs de l’hépatite chez les personnes atteintes de diabète. Conformément aux résultats de l’étude actuelle, une prévalence plus élevée de l’hépatite a été observée chez les personnes diabétiques par rapport au groupe non diabétique.
Conclusions
Les résultats de l’étude actuelle indiquent que les modèles d’apprentissage automatique, en particulier LASSO, pourraient être utilisés pour identifier les facteurs contributifs responsables de l’infection par l’hépatite chez les personnes atteintes de diabète.
Cette approche pourrait être exploitée pour la détection précoce de l’hépatite chez les personnes atteintes de diabète et faciliterait ainsi la prise de décision clinique. Cette étude a fourni des informations importantes pour développer une stratégie de dépistage permettant d’identifier les personnes diabétiques présentant un risque plus élevé d’hépatite.
