在非酒精性脂肪肝病患者中鉴定心房动:基于免疫炎症标志物的机器学习模型
Yao Zhang1, JiaXin Qi2, Xia Chen1
1Department of Cardiovascular Medicine, The Affiliated Hospital of Northwest University Xian, No.3 Hospital, Xian, 710032, Shaanxi, China.
Diabetology & metabolic syndrome
|December 22, 2025
概括
这项研究开发了一种机器学习模型,使用免疫炎症标记来预测非酒精性脂肪性肝病 (NAFLD) 患者心房动 (AF) 风险. 该模型有效地识别高风险的人,帮助预防策略.
科学领域:
- 心脏病学 心脏病学
- 肝病学 肝病学是一种肝病学.
- 计算生物学 计算生物学
背景情况:
- 在全球范围内,非酒精性脂肪肝疾病 (NAFLD) 的患病率正在增加.
- NAFLD与心房动 (AF) 的更高风险有关,可能是由于炎症.
- 目前缺乏用于对NAFLD患者的AF风险评估的工具.
研究的目的:
- 在非酒精性脂肪性肝病 (NAFLD) 患者中识别心房动 (AF).
- 为了建模免疫炎症标志物与NAFLD中AF风险之间的关联.
- 开发一种用于预测NAFLD患者AF风险的预测工具.
主要方法:
- 分析了723名NAFLD患者,分为AF和非AF组.
- 计算了10个免疫炎症标记,包括SII,SIRI,NLR,PLR和MHR.
- 机器学习算法,包括支持矢量机 (SVM),用于构建预测模型,通过交叉验证和SHAP分析进行验证.
主要成果:
- SII,NLR,PLR,MHR和SIRI被确定为AF的独立预测因素.
- SVM模型实现了0.848的AUC,具有高精度 (0.847) 和特异性 (0.910).
- 年龄,PLR和肌素被确定为SHAP分析的关键预测变量.
结论:
- 一个经过验证的机器学习模型有效地识别了NAFLD患者使用免疫-炎症标记物的AF风险.
- SVM模型显示出强大的区分能力和临床实用性.
- 开发了一个在线风险计算器,以帮助识别高风险个人进行预防性干预.
