Алгоритмы машины опорных векторов являются более эффективными в отношении прогнозирования гепатита B, тогда как алгоритмы на основе метода k-ближайших соседей позволяют лучше прогнозировать гепатит C.

Был проведен систематический обзор и метаанализ с целью изучения эффективности алгоритмов машинного обучения в прогнозировании вирусного гепатита.

В исследование были включены публикации на английском языке, в которых рассматривалось прогнозирование гепатита с помощью алгоритмов машинного обучения. Тщательный поиск соответствующей литературы проводили в различных базах данных, таких как Web of Science, PubMed и Scopus. Сбор соответствующих данных из отобранных исследований выполняли два автора независимо друг от друга.

Отбор исследований и представление результатов были выполняли в соответствии с контрольным перечнем, представленном в документе «Предпочтительные параметры отчетности для систематических обзоров и метаанализа» (PRISMA 2020), а оценку риска систематической ошибки проводили с использованием контрольного перечня Международного журнала медицинской информатики (IJMEDI). Анализ данных выполняли с использованием команды metandi в программе Stata 17.

В анализ было включено 21 отдельное исследование, охватывающее 82 алгоритма. Из них в 16 исследованиях использовалось 5 алгоритмов для прогнозирования гепатита B, а в 10 исследованиях использовалось то же число алгоритмов для прогнозирования гепатита C.

В контексте прогнозирования гепатита B наибольшей чувствительностью, специфичностью и диагностическим отношением шансов (ДОШ) обладали алгоритмы машины опорных векторов (SVM). С другой стороны, для прогнозирования гепатита C наибольшая чувствительность, специфичность и ДОШ была отмечена у алгоритмов на основе метода k-ближайших соседей (KNN) (см. таблицу 1).

Таким образом, алгоритмы машинного обучения SVM и KNN продемонстрировали впечатляющую эффективность в отношении прогнозирования гепатита. Алгоритмы SVM обеспечивали наилучшее прогнозирование гепатита B, тогда как алгоритмы KNN оказались более эффективными в отношении прогнозирования гепатита C. Полученные результаты свидетельствуют о том, что эти алгоритмы обладают значительным потенциалом для улучшения своевременной и точной диагностики гепатита в клинической практике, что, в свою очередь, позволит улучшить прогнозирование и лечение гепатита.