基于机器学习的模型,用于预测代谢功能障碍相关的脂肪性肝病,使用年轻成年人的非侵入性参数
Kyungchul Song1, Yu-Jin Kwon2, Eunju Lee3
1Department of Pediatrics, Yonsei University College of Medicine, Gangnam Severance Hospital, Seoul, Republic of Korea.
Frontiers in endocrinology
|January 1, 2026
概括
一个新的机器学习模型准确地预测了使用非侵入性措施的年轻成年人代谢功能障碍相关的脂肪性肝病 (MASLD) 风险. 这种工具有助于在这个不断增长的人口群体中早期检测和查肝脏并发症.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 机器学习 机器学习
- 预防医学 预防医学
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 是年轻人日益关注的问题,导致严重的长期肝脏并发症.
- 在无症状个体中,早期发现MASLD是困难的,因此需要先进的风险评估工具.
- 准确和非侵入性方法对于识别有MASLD风险的个体至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测20-40岁成年人中MASLD风险.
- 评估非侵入性参数在预测MASLD中的有效性.
- 在临床环境中建立一个用于早期MASLD查的工具.
主要方法:
- 一个机器学习模型被开发和验证,使用来自13,047名参与者的数据 (培训) 和1,335名 (外部验证).
- 根据肝硬化症 (超声波) 和至少一个心脏代谢风险因素来定义MASLD.
- 模型包含年龄,性别,BMI,血压,体脂百分比 (PBF) 和骨肌指数 (SMI),应用了后勤回归,随机森林和XGBoost算法.
主要成果:
- 最全面的模型 (模型3) 实现了高内部验证性能,AUROC高达0.91.1.
- 外部验证显示出强大的预测能力,AUROCs范围从0.88到0.89.
- 体重指数 (BMI) 和PBF是关键预测指标,而较高的骨肌肉指数 (SMI) 意外地与增加的MASLD风险相关.
结论:
- 开发的ML模型使用非侵入性参数准确预测年轻成年人的MASLD风险.
- 该模型显示了在常规临床实践中促进早期MASLD查的潜力.
- 对SMI在MASLD发展中的作用进行进一步的研究是有必要的.
