基于在线列线图的肥胖儿童代谢相关脂肪性肝病筛查模型构建与验证研究

《Italian Journal of Pediatrics》：Development and validation of an online nomogram for screening metabolic-associated fatty liver disease in obese children

为解决肥胖儿童代谢相关脂肪性肝病（MAFLD）无创诊断难题，郑州大学研究人员开展回顾性横断面研究，构建包含年龄、性别、BMI Z值、腰围（WC）、胰岛素抵抗指数（HOMA-IR）和谷丙转氨酶（ALT）的在线预测模型。该模型曲线下面积（AUC）达0.874，显著优于TyG/ZJU/K-NAFLD评分，为基层医院提供高效筛查工具。

　　

随着生活方式和饮食结构的改变，儿童肥胖已成为全球性的公共卫生问题。更令人担忧的是，肥胖往往伴随着一系列代谢紊乱，其中代谢相关脂肪性肝病（MAFLD）在肥胖儿童中的患病率高达53.50%，成为威胁儿童肝脏健康的重要疾病。与传统非酒精性脂肪性肝病（NAFLD）概念不同，MAFLD更强调代谢异常在疾病发生中的核心作用，这一概念的更新体现了对疾病本质认识的深化。

目前MAFLD的诊断面临诸多挑战。虽然肝脏活检是诊断的金标准，但其有创性限制了在儿童中的广泛应用。超声检查虽具有无创、便捷等优点，但在基层医院往往受限于设备条件和操作者经验，诊断准确性难以保证。此外，现有的TyG指数、ZJU指数和K-NAFLD评分等无创预测模型主要基于成人数据开发，在儿童群体中的适用性有待验证。因此，开发专门针对肥胖儿童MAFLD的无创预测工具具有重要的临床意义。

为解决这一难题，郑州大学附属儿童医院的研究团队在《Italian Journal of Pediatrics》上发表了一项重要研究。该研究团队设计了一项大规模回顾性横断面研究，纳入了2018年9月至2024年10月期间就诊的2,512名7-18岁肥胖儿童。所有参与者均接受详细的体格检查和实验室检测，包括身高、体重、腰围测量以及血糖、血脂、肝功能等生化指标检测。

研究采用7:3的比例将参与者随机分为训练集（1,758人）和验证集（754人）。通过单因素和多因素逻辑回归分析，研究人员筛选出与MAFLD密切相关的独立预测因素，并基于这些因素构建了一个在线列线图模型。该模型通过接收者操作特征曲线（ROC）、校准曲线和决策曲线分析（DCA）等多种统计方法进行了全面验证。

研究的关键技术方法包括：采用超声检查作为MAFLD的诊断标准；通过逻辑回归分析筛选独立危险因素；使用列线图可视化预测模型；采用ROC曲线评估模型区分度；通过校准曲线和Hosmer-Lemeshow检验验证模型校准度；利用DCA评估临床实用性。

研究结果揭示了六个关键预测指标：年龄、性别、BMI Z值、腰围（WC）、胰岛素抵抗指数（HOMA-IR）和谷丙转氨酶（ALT）。随着年龄增长，儿童MAFLD风险显著增加（OR=1.43），这可能与年龄增长伴随的饮食结构复杂化和体力活动减少有关。性别差异也十分明显，男孩患病风险显著高于女孩（OR=0.15），这与青春期激素水平变化密切相关。

BMI Z值是评估肥胖程度的敏感指标，其与MAFLD风险呈强相关（OR=3.33）。腰围作为反映腹部脂肪堆积的重要指标，每增加1厘米，MAFLD风险增加4%。HOMA-IR是衡量胰岛素抵抗的关键指标，其升高直接反映了代谢紊乱的严重程度。ALT作为肝细胞损伤的标志物，其水平升高提示肝脏炎症和损伤。

模型性能评估显示，新开发的列线图在训练集中的AUC值为0.874（95%CI：0.858-0.890），在验证集中为0.870（95%CI：0.845-0.895），显著优于TyG指数（0.591）、ZJU指数（0.778）和K-NAFLD评分（0.811）。校准曲线显示预测概率与实际概率高度一致，Hosmer-Lemeshow检验显示模型拟合良好（训练集P=0.905；验证集P=0.507）。

决策曲线分析进一步证实了该模型的临床实用性。在整个阈值概率范围内，列线图相比其他三个预测模型都能带来更大的净获益，这表明该预测模型具有良好的临床性能。

该研究的创新之处在于首次开发了专门针对中国肥胖儿童MAFLD的在线预测工具。与现有模型相比，该列线图结合了人体测量参数和生化指标，具有更好的预测性能。模型中包含的六个指标都是临床常规检测项目，不需要特殊设备，特别适合在基层医院和流行病学调查中使用。

然而，研究也存在一些局限性。首先，缺乏肝脏活检这一金标准的验证可能影响诊断准确性。其次，作为单中心研究，可能存在选择偏倚。此外，由于缺乏其他中心或不同种族人群的外部数据验证，模型在非肥胖人群或其他年龄组的适用性尚不明确。

未来研究可以在以下方面进行拓展：纳入更多潜在的混杂变量，如遗传和生活方式因素；开展更大规模的多中心研究以评估模型的稳定性和普适性；进行亚组分析（如按年龄、性别或青春期阶段分层）以验证模型在不同亚人群中的稳定性。

这项研究的实际意义在于为临床医生提供了一个简单易用的MAFLD风险评估工具。通过在线平台（https://jiaqianhu.shinyapps.io/nomogram/），医生只需输入六个常规指标即可快速评估肥胖儿童的MAFLD风险，从而实现早期识别和干预。对于高风险个体，可以及时采取生活方式干预或药物治疗，有效延缓疾病进展。

总之，这项研究开发的在线列线图为肥胖儿童MAFLD的筛查提供了一种准确、便捷的解决方案，具有重要的临床价值和公共卫生意义。该工具的成功应用将有助于改善肥胖儿童的健康管理，降低MAFLD相关并发症的风险。