编辑推荐：
代谢功能障碍相关脂肪性肝病（MASLD）全球负担重，早期诊断关键。研究人员分析 2017 - 2018 年美国国家健康和营养检查调查（NHANES）数据，发现 VAI 与 MASLD 风险正相关，LAP 和 FLI 诊断性能更优。这为 MASLD 诊断提供参考。
在当今快节奏的生活中，不良的饮食习惯和缺乏运动等问题愈发普遍，由此引发的各类健康问题也逐渐增多。代谢功能障碍相关脂肪性肝病（MASLD），这个曾经被称为非酒精性脂肪性肝病（NAFLD）的疾病，如今已成为全球公共健康的一大挑战。据统计，仅在美国，就有超过 8000 万成年人受其困扰，占总人口的 25 - 30%，预计到 2030 年，全球受影响人数将接近 1 亿。MASLD 不仅会引发肝细胞癌、肥胖相关代谢综合征、高血压介导的心血管疾病、慢性肾病进展以及肝外恶性肿瘤等多种并发症，还会带来沉重的社会经济负担。
目前，虽然肝活检是诊断 MASLD 的金标准，但因其存在手术风险和样本变异性等问题，开发可靠的非侵入性诊断方法迫在眉睫。振动控制瞬时弹性成像虽可用于纤维化分期，但在资源有限的地区难以普及且成本高昂。内脏脂肪指数（VAI）作为一个在心血管代谢风险、MASLD 及多种内分泌疾病研究中备受关注的生物标志物，其在 MASLD 中的作用却尚未完全明确，尤其在新的诊断标准下，与其他非侵入性评分的比较研究也较为缺乏。因此，开展一项深入研究来探究 VAI 与 MASLD 之间的关系，并评估其与其他非侵入性评分的诊断性能差异，对提高 MASLD 的早期诊断水平、优化治疗策略具有重要意义。
岳阳市中心医院的研究人员为解决这些问题，开展了一项横断面研究。他们利用 2017 - 2018 年美国国家健康和营养检查调查（NHANES）的数据，通过加权多变量回归模型、亚组分析和机器学习算法等多种方法，对 VAI 与 MASLD 的关系及 VAI 的诊断性能进行了评估。
研究结果显示：
- 基线特征差异：不同 VAI 三分位数分层组在除性别分布和家庭收入外的所有基线人口统计学和临床变量上均存在显著差异。这表明 VAI 与多种人口统计学和临床特征相关，提示其在评估健康状况方面具有一定的价值。
- VAI 与 MASLD 的关联：加权多元回归分析表明，VAI 与 MASLD 风险呈显著正相关。在不同模型的逐步调整中，这种关联始终具有统计学意义，且 VAI 每增加一个单位，MASLD 的发病风险升高 154%。通过三分位数分层分析发现，与最低三分位数（T1）相比，较高三分位数（T2、T3）的参与者 MASLD 风险逐渐增加，呈现明显的剂量 - 反应关系。这充分说明 VAI 是 MASLD 发病风险的重要预测指标。
- 亚组分析结果：在对性别、年龄、种族、教育程度、生活方式等多种因素进行亚组分析时发现，无论在何种亚组中，VAI 水平升高的参与者 MASLD 风险均显著增加。而且，不同种族中，非西班牙裔黑人人群的 VAI 与 MASLD 关联最为显著。同时，交互检验表明，各人口统计学参数对 VAI 与 MASLD 的关联没有显著的影响修饰作用，进一步证实了这种关联的稳健性。
- 变量选择与预测模型：通过 LASSO 回归分析，确定了包括 VAI、婚姻状况、高血压状态、糖尿病状态、性别、年龄、种族、血小板、白蛋白、AST 和 ALT 在内的 11 个对 MASLD 发展具有预测价值的参数，并据此开发了预测模型，通过列线图进行可视化展示。这为临床医生预测 MASLD 风险提供了一个直观、便捷的工具。
- 预测模型评估：在 8 种机器学习算法中，随机森林（RF）的预测准确性最高（AUC = 0.869），梯度提升机（GBM，0.868）和广义线性模型（GLM，0.852）次之，神经网络（NNET）表现相对较差（AUC = 0.504）。在 7 种临床评分的评估中，脂质积累产物（LAP，AUC = 0.834）和脂肪肝指数（FLI，0.833）的预测性能优于 VAI（AUC = 0.736）等其他指标。这表明，虽然 VAI 与 MASLD 风险密切相关，但在诊断准确性方面，LAP 和 FLI 更具优势。
研究结论和讨论部分指出，该研究揭示了 VAI 与 MASLD 风险之间存在显著的正相关关系，且这种关系在不同人口亚组中具有一致性。通过纳入多个临床参数构建的列线图预测模型，有助于更准确地进行 MASLD 风险分层。机器学习算法在 MASLD 风险分层中展现出了比传统临床评分更好的性能，而 LAP 和 FLI 等非侵入性评分在诊断准确性上优于 VAI，且具有简单实用、依赖常规代谢参数的优势，更适合在临床中推广应用。然而，该研究也存在一些局限性，如横断面研究设计无法确定因果关系，部分影响因素未被充分考虑，未对不同肝脂肪变性严重程度和纤维化阶段进行分层评估等。未来需要开展纵向研究，整合多组学分析，并结合肝硬度测量等方法，进一步深入探究 VAI 及其他非侵入性评分在 MASLD 诊断中的作用。
总的来说，这项研究为 MASLD 的早期诊断和风险评估提供了重要的参考依据，对推动临床实践中 MASLD 的防治具有重要意义。其研究成果发表在《BMC Gastroenterology》上，为该领域的研究提供了新的思路和方向。
研究人员在开展研究时，主要用到了以下关键技术方法：
- 数据来源：采用 2017 - 2018 年美国国家健康和营养检查调查（NHANES）的数据，该数据具有广泛的代表性，为研究提供了可靠的样本基础。
- 统计分析方法：运用 R 统计软件进行统计分析，通过加权多变量回归模型评估 VAI 与 MASLD 风险的关联，采用亚组分析探究不同因素对二者关系的影响，利用机器学习算法构建预测模型并评估其性能，同时使用受试者工作特征（ROC）曲线分析比较不同模型和临床评分的诊断能力。
