使用机器学习算法预测非酒精性脂肪性肝病 (NAFLD):来自台湾大规模社区队列的证据
Tzu-Chun Lin1, Yu-Ju Wei1, Po-Cheng Liang1
1Hepatobiliary Division, Department of Internal Medicine, Center for Liquid Biopsy and Cohort Research, Kaohsiung Medical University Hospital, Kaohsiung Medical University, Kaohsiung, Taiwan.
Bioscience trends
|March 1, 2026
概括
机器学习使用临床数据准确预测非酒精性脂肪性肝病 (NAFLD) 风险. 关键预测因素包括LDL-C,BMI和腰围,有助于早期诊断和干预.
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
- 公共卫生 公共卫生
背景情况:
- 非酒精性脂肪性肝病 (NAFLD) 是一个日益关注的问题,与代谢障碍密切相关,并增加肝细胞癌风险.
- 早期发现和管理NAFLD对于预防严重的健康后果至关重要.
研究的目的:
- 应用机器学习 (ML) 算法来识别基于社区的队列中NAFLD的关键风险因素.
- 利用人口统计和临床特征开发用于NAFLD的临床可用的预测模型.
主要方法:
- 分析了来自台湾南部的7,510名参与者的18个临床和人口特征.
- 评估了五种ML算法:逻辑回归,随机森林,K-最近邻居,AdaBoost和极端梯度提升 (XGBoost).
- 使用准确度,精度,回忆,F1分数和AUROC进行性能评估,并使用SMOTE进行数据平衡.
主要成果:
- XGBoost表现出卓越的性能,准确度为83.48%,精度为84.31%,回忆率为81.21%,F1得分为82.72%,AUROC得分为92.85%.
- 确定的主要预测因素包括低密度脂蛋白胆固醇 (LDL-C),体重指数 (BMI),腰围,禁食血葡萄糖 (FPG) 和甘油三 (TG).
结论:
- ML算法,特别是XGBoost,可以准确预测NAFLD并识别显著的临床风险因素.
- 这些发现支持加强早期诊断和针对NAFLD管理的有针对性的干预策略.
