根据可解释的机器模型预测在中国T2DM人口中瘦非酒精性脂肪性肝病的风险
Shixue Bao1, Qiankai Jin2, Tieqiao Wang1
1Department of Endocrinology, The First Affiliated Hospital of Ningbo University, Ningbo, Zhejiang, China.
Frontiers in endocrinology
|July 28, 2025
概括
这项研究开发了机器学习模型,以预测2型糖尿病 (T2DM) 患者的瘦非酒精性脂肪性肝病 (NAFLD) 风险. 随机森林模型显示出最好的预测性能,有助于早期干预.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 数据科学数据科学数据科学
- 内部医学 内部医学
背景情况:
- 非酒精性脂肪性肝病 (NAFLD) 是一种普遍存在的慢性肝病.
- 在2型糖尿病患者 (T2DM) 中,瘦肉性NAFLD需要集中注意力,尽管其患病率低于肥胖性NAFLD.
- 早期识别精益NAFLD风险对于预防不良结果至关重要.
研究的目的:
- 构建可解释的机器学习 (ML) 模型,用于预测T2DM患者的瘦NAFLD风险.
- 在这个人群中确定与瘦肉NAFLD相关的关键风险因素.
- 评估各种ML算法的性能,以进行精益NAFLD风险预测.
主要方法:
- 分析了1553名T2DM个体.
- 用Boruta和LASSO算法进行特征选择.
- 开发和比较使用AUC的LDA,LR,NB,RF,SVM和XGboost模型;用于解释性,使用SHAP分析.
主要成果:
- 瘦肉性NAFLD的患病率为20.3%.
- 确定的主要危险因素包括年龄,BMI和ALT.
- 随机森林 (RF) 模型实现了最高的AUC (0.739培训,0.789验证).
- SHAP分析强调了TG,ALT,GGT,BMI和UA作为RF模型中的关键预测因素.
结论:
- 机器学习模型,特别是射频模型,可以有效地预测中国T2DM患者的瘦NAFLD风险.
- 这些模型支持早期预防和干预策略.
- 减少瘦体NAFLD风险可以减轻肝脏内外并发症.
