个体化机器学习（ML）预测抗菌药清除丙肝病毒后肝细胞癌（HCC）进展的能力如何？2023年6月，发表在《J Hepatol》的一项研究开发并外部验证了一种随机生存森林（RSF）模型，该模型对持续病毒应答（SVR）后HCC的风险具有良好的预测性能。

背景和目的：在实现SVR后，很有必要对HCC进行准确的风险分层以便最佳监测。本研究旨在开发和验证ML模型，以预测个体患者在实现SVR后发生HCC的风险。

方法：在这项多中心队列研究中，1742例获得SVR的慢性丙型肝炎患者被纳入研究。开发了5个ML模型，包括DeepSurv、梯度提升生存分析、RSF、生存支持向量机和传统的Cox比例风险模型。使用Harrel的c指数评估模型性能，并在独立队列（977例患者）中进行外部验证。

结果：在5.4年的平均观察期内，122例患者进展为HCC（83例在衍生队列中，39例在外部验证队列中）。在外部验证队列中，RSF模型在实现c指数为0.839的SVR时使用7个参数显示出最佳的辨别能力，并且当将患者分为3个风险组时具有高的识别能力（P＜0.001）。此外，该RSF模型能够通过在线应用程序为每位患者生成HCC发生的个性化预测曲线。

结论：本研究开发并外部验证了一种RSF模型，该模型对SVR后HCC的风险具有良好的预测性能。这个新模型的应用程序可以在网站上找到。该模型可以为考虑有效的监测方法提供数据。需要进行进一步的研究，以针对每个国家的医疗状况提出监测政策建议。

（选题审校：李欣亚 编辑：余霞霞）
（本文由北京大学第三医院药剂科翟所迪教授及其团队选题并审校，环球医学资讯编辑完成。）

参考资料：
J Hepatol. 2023 Jun 24;S0168-8278(23)00424-5.
Machine learning for individualized prediction of hepatocellular carcinoma development after the eradication of hepatitis C virus with antivirals
https://pubmed.ncbi.nlm.nih.gov/37716372/