整个代谢综合征谱的肝脏参与:使用机器学习进行非侵入性评估和风险预测
Adelaida Solomon1,2, Călin Remus Cipăian1,2, Mihai Octavian Negrea1,2
1Faculty of Medicine, "Lucian Blaga" University, 550024 Sibiu, Romania.
Journal of clinical medicine
|September 9, 2023
概括
代谢综合征增加了肝脏疾病的风险. 非侵入性测试和机器学习准确地识别了代谢功能障碍相关的脂肪性肝病患者的肝纤维化和脂肪症模式.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 代谢疾病 代谢疾病
- 诊断成像 诊断成像 诊断成像
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 和代谢综合征 (MetS) 是普遍存在的,这给健康和经济带来了重大挑战.
- 肝纤维化是肝脏相关并发症和死亡率的关键决定因素.
- 非侵入性测试 (NITs) 对于检测MASLD中的肝纤维化和肝硬化至关重要.
研究的目的:
- 确定疑似MASLD患者肝病模式的强有力的预测因素,特别是那些有MetS的患者.
- 评估各种NIT和机器学习在分类肝脏参与方面的实用性.
主要方法:
- 招募了217名怀疑患有MASLD的患者,其中109名患有MetS.
- 使用临床评估,生物标记和短暂弹性图 (TE).
- 应用机器学习算法 (两步集群,决策树) 用于模式识别和预测.
主要成果:
- 患有MetS的患者表现出FIB4,APRI,HSI,肝硬度,肥胖症参数 (TE) 和AGILE分数的显著较高值.
- 机器学习根据纤维化和肥胖症的严重程度确定了三个不同的患者群.
- 一个决策树模型使用年龄,BMI,肝酶和MetS特征准确预测了集群成员 (89.4%).
结论:
- 代谢综合征与MASLD中更严重的肝病模式有关.
- 结合NIT和采用机器学习,提高了检测肝脏参与模式的准确性.
- 这些发现支持使用NIT和高级分析来对MASLD患者进行分层.
