امتیاز جدید HEP-FIB همراه با مدل‌های یادگیری ماشین برای پیش‌بینی غیرتهاجمی فیبروز کبدی
در یک مطالعه گذشته‌نگر تک‌مرکزی روی ۳۸۲ بیمار مبتلا به هپاتیت B مزمن، امتیاز تازه‌توسعه‌یافته HEP-FIB عملکرد مطلوبی در شناسایی فیبروز قابل‌توجه کبد نشان داد. در میان ۱۰ رویکرد یادگیری ماشین ارزیابی‌شده نیز مدل XGBoost بهترین عملکرد پیش‌بینی را داشت. سطح زیر منحنی مشخصه عملکرد گیرنده (AUC) برای امتیاز HEP-FIB برابر با ۰٫۸۹۲ بود (فاصله اطمینان ۹۵ درصد: ۰٫۸۵۹ تا ۰٫۹۲۵). این مقدار برای مدل یادگیری ماشین در مجموعه داده اعتبارسنجی به ۰٫۹۱۴ رسید (فاصله اطمینان ۹۵ درصد: ۰٫۸۵۷ تا ۰٫۹۷۱). نویسندگان مطالعه تأکید کردند که پیش از توصیه این امتیاز برای استفاده معمول در بالین، باید اعتبار آن در مطالعات مستقل تأیید شود.
پژوهشگران ابتدا از رگرسیون لاسو، یعنی روش رگرسیون مبتنی بر حداقل قدرمطلق کوچک‌سازی و انتخاب، و سپس از رگرسیون لجستیک چندمتغیره برای شناسایی عوامل پیش‌بینی‌کننده مستقل فیبروز استفاده کردند. در ادامه، امتیاز HEP-FIB را بر اساس شاخص‌های آزمایشگاهی در دسترس در روند معمول مراقبت‌های پزشکی طراحی کردند؛ از جمله شمارش پلاکت‌ها، شاخص‌های عملکرد کبد و نشانگرهای زیستی چربی. عملکرد تشخیصی این امتیاز با استفاده از تحلیل منحنی مشخصه عملکرد گیرنده، اعتبارسنجی داخلی بوت‌استرپ و تحلیل کالیبراسیون ارزیابی شد و نتایج آن با شاخص‌های غیرتهاجمی شناخته‌شده APRI، FIB-4 و GPR مقایسه شد. پژوهشگران همچنین ۱۰ الگوریتم یادگیری ماشین را طراحی و بر اساس معیارهایی شامل قدرت تفکیک، عملکرد طبقه‌بندی، کالیبراسیون و توان کلی پیش‌بینی ارزیابی کردند. برای بررسی کاربرد بالینی، تحلیل منحنی تصمیم نیز به‌طور جداگانه برای امتیاز HEP-FIB و مدل‌های یادگیری ماشین انجام شد.
در نقطه برش بهینه ۴ یا بالاتر برای HEP-FIB، حساسیت این امتیاز ۷۸ درصد، ویژگی آن ۸۹ درصد و دقت کلی آن ۸۸ درصد بود. سطح زیر منحنی HEP-FIB از مقادیر متناظر برای شاخص‌های APRI، FIB-4 و GPR بیشتر بود؛ این مقادیر به‌ترتیب ۰٫۷۲۴، ۰٫۶۵۴ و ۰٫۷۷۳ گزارش شدند. بر اساس آزمون دِلانگ، تفاوت در هر سه مقایسه از نظر آماری معنادار بود و مقدار p در همه موارد کمتر از ۰٫۰۰۱ به دست آمد. اعتبارسنجی بوت‌استرپ، پس از اصلاح خوش‌بینی ناشی از ارزیابی مدل، سطح زیر منحنی ۰٫۸۸۱ را نشان داد. تحلیل کالیبراسیون نیز حاکی از تطابق مناسب احتمال‌های پیش‌بینی‌شده با احتمال‌های مشاهده‌شده فیبروز بود. افزون بر این، نتایج تحلیل منحنی تصمیم نشان داد که HEP-FIB در مقایسه با راهبردهای پیش‌فرض ارزیابی‌شده، سودمندی بالینی بیشتری دارد.
مدل XGBoost در میان رویکردهای یادگیری ماشین، بهترین عملکرد را در مجموعه داده اعتبارسنجی ثبت کرد. سطح زیر منحنی آن ۰٫۹۱۴، دقت کلی ۰٫۸۸، حساسیت ۰٫۷۲، ویژگی ۰٫۹۳، دقت متوازن ۰٫۸۳ و ضریب همبستگی متیوز ۰٫۷۴ بود. امتیاز بریر این مدل ۰٫۰۹۵ گزارش شد و نرخ مثبت کاذب و منفی کاذب آن به‌ترتیب ۰٫۰۶۲ و ۰٫۲۷۵ بود.
مدل‌های یادگیری ماشین در مجموع عملکردی اندکی بهتر از HEP-FIB داشتند. همچنین، تحلیل منحنی تصمیم نشان داد که این مدل‌ها در مقایسه با دو راهبرد آزمایش همه بیماران و آزمایش نکردن هیچ‌یک از بیماران، سود خالص بالینی بیشتری فراهم می‌کنند. بااین‌حال، یافته‌ها بر اساس یک گروه بیمار بررسی‌شده به‌صورت گذشته‌نگر در یک مرکز به دست آمده‌اند و تنها اعتبارسنجی داخلی با روش بوت‌استرپ از آن‌ها پشتیبانی می‌کند. عملکرد این روش‌ها در جمعیت‌های مستقل و متنوع ارزیابی نشده است؛ بنابراین، نتایج فعلی برای توصیه استفاده معمول بالینی از این ابزارها یا جایگزین کردن روش‌های موجود ارزیابی فیبروز کافی نیستند.
موضوع پژوهش: اعتبارسنجی داخلی امتیاز HEP-FIB و مدل‌های یادگیری ماشین برای پیش‌بینی غیرتهاجمی فیبروز قابل‌توجه کبد در بیماران مبتلا به هپاتیت B مزمن.
عنوان مقاله: امتیاز جدید HEP-FIB همراه با مدل‌های یادگیری ماشین برای پیش‌بینی غیرتهاجمی فیبروز قابل‌توجه کبد در بیماران مبتلا به هپاتیت B مزمن: مطالعه‌ای تک‌مرکزی با اعتبارسنجی داخلی.
منبع مقاله: Bashir, A., Arora, R., Mehrotra, D., Bala, M., Parry, A. H., & Iqball, A. (2026). Novel HEP-FIB score combined with machine learning models for non-invasive prediction of significant hepatic fibrosis in chronic hepatitis B patients: a single-center, internally validated study. BMC Infectious Diseases. https://doi.org/10.1186/s12879-026-14508-8
شناسه دیجیتال مقاله (DOI): 10.1186/s12879-026-14508-8
کلیدواژه‌ها: هپاتیت B مزمن، فیبروز کبدی، HEP-FIB، یادگیری ماشین، XGBoost، آزمایش غیرتهاجمی، دقت تشخیصی، اعتبارسنجی داخلی، کاربرد بالینی.