机器学习纤维化得分用于儿科代谢功能障碍相关的脂肪性肝病:有希望但过早

科学领域:

• 儿科肝病学 儿科肝病学
• 医学机器学习 医学机器学习
• 肝脏疾病的诊断 肝脏疾病的诊断

背景情况:

• 与代谢功能障碍相关的脂肪性肝病 (MASLD) 是儿童慢性肝病的首要原因,特别是那些患有肥胖症的儿童.
• 诊断标准已经从非酒精性脂肪性肝病 (NAFLD) 转向MASLD,在儿科病例中具有很高的一致性.
• 迫切需要非侵入性工具来评估儿科MASLD中的纤维化.

研究的目的:

• 为了评估一个新的机器学习得分",慢性纤维化MASLD (CH-MASLD-Fib)",用于检测儿科MASLD的晚期纤维化.
• 批判性地评估CH-MASLD-Fib得分的报告准确性和潜在限制.

主要方法:

• 这项研究报告了一种机器学习模型,该模型旨在预测儿科MASLD的晚期纤维化.
• 该模型被称为CH-MASLD-Fib,在单中心队列中实现了0.92的AUROC.
• 已建立的儿科纤维化得分 (NAFLD纤维化得分,FIB-4,儿科NAFLD纤维化得分) 和AST/血小板比率指数的表现被考虑用于比较.

主要成果:

• 在其发展队列中,CH-MASLD-Fib得分显示出高准确性 (AUROC 0.92).
• 由于单中心导出和需要外部验证,人们对潜在的过度装配表示担忧.
• 已建立的儿科纤维化得分显示出适度的表现 (AUROC ~0.6-0.7),AST/血小板比率指数是可变的.

结论:

• 虽然CH-MASLD-Fib得分显示出潜力,但其在单中心队列中的准确性引发了对概括性的担忧.
• 该得分的实用性可能受到MASLD患病率的种族差异以及需要专门的,可能昂贵的测试的限制.
• 在临床采用之前,建议在多民族队伍中进行外部验证,与现有的非侵入性方法进行比较研究,并进行经济分析.