机器学习预测非活动性HBsAg携带者接受聚乙二醇干扰素治疗第24周时HBsAg快速清除

背景与目的：确定非活动性HBsAg携带者（IHC）接受聚乙二醇干扰素α-2b（Peg-IFN）治疗第24周时HBsAg快速清除的预测因素，并开发基于机器学习的模型以优化个体化治疗策略。方法：本回顾性分析基于一项多中心、前瞻性队列研究，纳入2882例接受Peg-IFN治疗并至少随访24周的IHC患者。使用LASSO回归和Boruta算法筛选第24周HBsAg清除的预测变量。开发了九种机器学习模型，包括逻辑回归（LR）、决策树（DT）和随机森林（RF），性能通过十折交叉验证评估。在来自北京三个医疗中心的独立队列（n=167）中进行了外部验证。使用SHapley Additive exPlanations（SHAP）解释模型预测和特征重要性。结果：第24周总体HBsAg清除率为18.7%（541/2,882）。关键预测因素包括基线HBsAg水平、第12周HBsAg下降≥1 log IU/mL、第12周ALT/HBsAg比值、第12周ALT与基线HBsAg比值、第12周HBV DNA水平以及第12周HBsAb水平。Light Gradient Boosting Machine（LightGBM）模型表现最佳，在训练队列中AUC为0.902（95% CI 0.881–0.923），敏感性为0.889；在外部验证队列中AUC为0.917（95% CI 0.850–0.983），敏感性为0.879。SHAP分析显示，第12周ALT/HBsAg比值是最具影响力的特征。结论：我们开发了一种基于LightGBM的机器学习模型，能够准确预测接受Peg-IFN治疗的IHC患者第24周HBsAg快速清除。该模型为早期识别快速应答者、个体化治疗计划和潜在的停药策略提供了有价值的工具。基于模型预测概率的个体化停药规则为IHC患者的精准治疗提供了循证方法。