机器学习模型用于使用基本的人口和临床特征预测与代谢功能障碍相关的脂肪性肝病的患病率
Gangfeng Zhu1, Yipeng Song1, Zenghong Lu2
1The First Clinical Medical College, Gannan Medical University, Ganzhou, Jiangxi Province, 341000, China.
Journal of translational medicine
|March 29, 2025
概括
机器学习模型使用基本的健康数据准确地选代谢功能障碍相关的脂肪性肝病 (MASLD). 这种方法改善了对MASLD的早期检测和干预,这是一个日益严重的全球健康问题.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 构成了全球重大健康挑战.
- 目前的MASLD诊断方法复杂,需要专门的设施.
- 早期查和干预对于改善MASLD患者预后至关重要.
研究的目的:
- 评估使用机器学习 (ML) 模型进行大规模MASLD查的可行性.
- 根据人口统计和临床数据,开发MASLD的预测模型.
- 评估MASLD检测的ML模型的准确性和通用性.
主要方法:
- 10,007名门诊患者接受过渡性弹性扫描,以形成衍生队列.
- 八个人口和临床因素被用来构建用于MASLD预测的ML模型.
- 在NHANES 2017-2023数据集上使用了10个ML算法并进行了外部验证.
主要成果:
- 机器学习模型在医院和外部队列中展示了强大的预测能力.
- 后勤回归 (LR) 实现了高精度 (0.711-0.728) 和曲线下的面积 (AUC) (0.798-0.806).
- 外部验证显示了一致的性能,LR,MLP和XGBoost的AUC分别为0.831,0.823和0.784.
结论:
- 使用人口和临床数据的ML模型可以准确地选一般人群中的MASLD.
- 这种基于ML的方法提高了MASLD查的可行性,可访问性和合规性.
- 该研究为大规模健康评估和早期MASLD干预策略提供了有效的工具.


