تعیین مراحل پیشرفت فیبروزیس کبد در بیماران مبتلا به هپاتیت b مزمن

هدف: بیماری هپاتیت b مزمن در طولانی‌مدت منجر به فیبروز کبد، از کارافتادگی آن و مرگ بیمار می‌شود. میزان سطح پیشرفت فیبروز کبد بیماران براساس نشانگرهای بیوشیمیایی قابل تشخیص است. هدف این پژوهش پیش‌بینی سطح فیبروز کبد برای بیماران مبتلا به هپاتیت b مزمن و تعیین احتمال جابه‌جایی بیمار از سطح کنونی به سایر سطوح دیگر فیبروز کبد است.مواد و روش‌ها: پژوهش حاضر یک مطالعه مقطعی است که در سال 1399 انجام شد. از پارامترهای سن، مقدار پلاکت خون و آنزیم‌های ast و alt به‌عنوان ورودی‌های مدل‌های پیش‌بینی‌کننده استفاده شد. مدل‌های پیش‌بینی‌کننده شامل مدل‌های درخت تصمیم‌گیری، naïve bayes، ماشین‌بردار پشتیبان و شبکه عصبی بودند. ماتریس انتقال برای محاسبه احتمال جابه‌جایی بیمار از سطح کنونی به سایر سطوح دیگر فیبروز کبد استفاده شد. روش اعتبارسنجی متقابل 10 برابری برای اطمینان از تعمیم‌پذیری مدل‌های پیش‌بینی استفاده شد.یافته‌ها: بر اساس نتایج به‌دست آمده درخت تصمیم‌گیری با دقت، فراخوانی و صحت 100% بهترین الگوریتم پیش‌بینی‌کننده سطح فیبروز کبد در بیماران مبتلا به هپاتیت مزمن b بود. سپس شبکه عصبی با صحت 0.60±99.35 و مقدار متوسط خطا 0.025±0.058 بهترین عملکرد را داشت. مدل ماشین‌بردار پشتیبان کم‌ترین مقدار دقت، فراخوانی و صحت را به خود اختصاص داد. بر اساس نتایج ماتریس انتقال، بیمارانی که در وضعیت فیبروز ناچیز هستند با احتمال خیلی کمی به وضعیت التهاب شدید کبد مبتلا می‌شوند.نتیجه‌گیری: با بهره‌گیری از روش‌های محاسباتی می‌توان بدون استفاده از روش‌های تهاجمی با دقت بالایی میزان فیبروز کبد را برای بیماران مبتلا به هپاتیت b مزمن پیش‌بینی کرد. 

determining the progression stages of liver fibrosis in patients with chronic hepatitis b

introduction: chronic hepatitis b (chb) leads to liver fibrosis, its failure, and death in the long term. the stage of fibrosis in chb patients can also be detected based on the biochemical markers. the aim of this study was to predict the state of liver fibrosis in chb patients and determine the possibility of patients shifting from a given state to another one.materials and methods: this study is a cross-sectional study conducted in 2021. age, blood platelet count, ast, and alt enzymes were used as the input variable to create predictive models. predictive models were decision tree (dt), naïve bayes, support vector machine (svm), and neural network (nn). the probability of a patient shifting from a given stage of fibrosis to another was calculated using the transition matrix. the 10-fold cross-validation was used to ensure the generalization of predictive models.results: the dt had the best precision, recall, and accuracy (100%) among developed algorithms to predict the stage of fibrosis in chb patients. the nn was the second most efficient algorithm. its accuracy and mean square error was 99.35±0.60 and 0.058±0.025, respectively. besides, svm had the lowest recall, precision, and accuracy values. based on the transition matrix results, there is a very low probability that the patients with non-significant fibrosis state shifted to the cirrhosis state.conclusion: computational approaches like machine learning algorithms are the non-invasive way to predict the fibrosis state in chb patients efficiently.