综述：机器学习模型预测丙型肝炎病毒抗病毒治疗结局的系统综述

《European Journal of Medical Research》：Machine learning for predicting treatment response in hepatitis C: integrating viral genomics and clinical data

　　## 摘要### 背景尽管直接抗病毒药物（DAAs）疗效显著，但仍有一小部分丙型肝炎病毒（HCV）感染者出现治疗失败、复发、疗程不适当或治疗后恢复不完全等临床重要问题。机器学习有望通过整合临床、病毒学、基因组学及治疗相关数据来改善风险分层。### 方法本系统综述按照PRISMA指南进行，并在开放科学框架（Open Science Framework）上注册。检索了PubMed、Scopus和Web of Science数据库，检索时限为建库至2026年7月。纳入的研究开发或评估了用于预测HCV抗病毒治疗中持续病毒学应答（SVR）、治疗失败、复发、疗程长短或密切相关治疗结局的人工智能或机器学习模型。采用PROBAST改良框架（针对预测模型研究调整）评估偏倚风险。### 结果共8条研究记录符合纳入标准，涵盖7个基本独立的队列。预测目标包括DAA治疗失败/SVR、短疗程治疗应答、延长疗程、干扰素/利巴韦林应答以及SVR后肝脏硬度回退。大型注册研究-based模型显示出中等至良好的判别能力，验证C统计量或AUROC约为0.64至0.83。病毒全基因组模型在部分队列中报告了较高的内部准确率，但受限于样本量小且缺乏外部验证。反复出现的预测因素包括HCV RNA、基因型、DAA类别、疗程、依从性或停药、肝硬化、肝细胞癌、肝功能指标、血小板计数、FIB-4及病毒序列衍生变异。### 结论机器学习模型在HCV抗病毒应答预测和治疗优化方面展现出前景，但目前证据表明这些模型仍处于开发阶段。在常规应用之前，需要严格的外部验证、校准、临床效用评估及多模态数据整合。### 图形摘要[图片：40001_2026_5211_Figa_HTML.png]