基于振动控制瞬时弹性成像技术的代谢功能障碍相关脂肪肝风险分层与预测模型研究

为解决MAFLD（代谢功能障碍相关脂肪肝）风险分层不足的问题，重庆中西医结合医院超声科团队利用NHANES 2021-2023数据，结合振动控制瞬时弹性成像（VCTE）和机器学习技术，开发了多参数预测模型。研究通过LASSO回归筛选出年龄、BMI等16项关键特征，随机森林模型验证集AUC达0.80，显著提升低/高风险组识别能力（AUC分别为0.83和0.79），为临床筛查提供高效工具。

　　代谢功能障碍相关脂肪肝病（MAFLD）正成为全球公共卫生挑战，其与肥胖、糖尿病等代谢异常密切相关，但传统诊断方法如肝活检存在侵入性缺陷，而非侵入性工具如振动控制瞬时弹性成像（VCTE）虽能评估肝硬度和脂肪变（CAP），却缺乏精准的风险分层体系。重庆中西医结合医院超声科Liqiong Huang等团队在《BMC Gastroenterology》发表研究，利用美国国家健康与营养调查（NHANES 2021-2023）数据，首次将VCTE与机器学习结合，构建多类别风险预测模型。

研究采用VCTE测量CAP（≥248 dB/m定义脂肪变）和LSM（≥7.0 kPa定义纤维化），将4227名参与者分为低、中、高风险组。通过LASSO回归筛选出年龄、BMI、腰围等16项核心预测因子，并构建随机森林模型。结果显示，模型整体AUC为0.80，其中低风险组（AUC=0.83）和高风险组（AUC=0.79）预测性能优异，但中风险组（AUC=0.66）区分度有限。

结果部分：1. 人群特征：高风险组年龄更大（56.25岁）、BMI更高（36.40 kg/m²），且高血压比例达54.47%。2. 特征筛选：LASSO回归确定血红蛋白、淋巴细胞计数等临床指标及教育水平等社会因素为关键变量。3. 模型验证：混淆矩阵显示模型对纤维化病例（高风险组）存在误判，可能延迟干预时机。

讨论指出，该模型利用常规临床数据即可实现高效筛查，优于依赖复杂生物标志物的传统方法。局限性包括横断面设计无法推断因果，且未整合遗传或微生物组数据。未来需通过多中心队列验证，并探索阈值优化（如肥胖人群CAP调整至238 dB/m）。这一研究为MAFLD的早期防控提供了可推广的决策工具。