编辑推荐：
为探究 MAFLD 患者全因死亡率预测及影响因素，研究人员基于 NHANES III 数据构建 Coxnet、RSF、GBS 模型。发现 Coxnet 性能最佳，年龄、FORNS 等是危险因素，为临床干预提供依据。
代谢功能障碍相关脂肪肝（MAFLD）作为全球最常见的慢性肝病，正以高达 25% 的患病率成为威胁人类健康的隐形杀手。随着疾病负担的加重，其导致的全因死亡率逐年攀升，美国研究显示 MAFLD 患者全因死亡风险较无脂肪肝者高 17%。然而，传统统计方法在预测 MAFLD 患者死亡风险时，难以有效处理高维数据及复杂非线性关系，且现有研究缺乏对多维度风险因素的综合分析。如何精准识别高危人群、挖掘关键预测因子，成为临床亟待解决的难题。
为突破这一困境，浙江大学医学院附属第二医院临床大数据与分析中心联合浙江大学数据科学中心的研究团队，基于美国第三次国家健康与营养检查调查（NHANES III）的大样本数据，开展了一项具有里程碑意义的研究。该团队构建并比较了三种机器学习模型 —— 弹性网络正则化 Cox 比例风险模型（Coxnet）、随机生存森林（RSF）和梯度提升生存模型（GBS），旨在建立可靠的 MAFLD 全因死亡率预测体系，并筛选关键影响因素。研究成果发表于《BMC Gastroenterology》，为 MAFLD 的精准管理提供了新方向。
研究采用 NHANES III 数据库中 3921 例 MAFLD 患者的队列数据，经过中位 310 个月的随访，记录到 46.3% 的全因死亡率。研究人员首先通过 Cox 比例风险回归、弹性网络正则化等方法进行特征筛选，确定 22 个关键变量，包括人口学特征、行为因素及实验室指标（如腰围、FORNS 指数、脂肪肝指数 FLI 等）。随后利用 10 折交叉验证和网格搜索优化模型参数，并通过 1000 次自助法评估模型在不同时间点（5-25 年）的预测性能，指标包括时间依赖 AUC、Brier 分数和 C 指数。此外，结合可解释人工智能技术 SHAP 分析及限制性立方样条（RCS）、Kaplan-Meier 生存曲线，系统解析各因素对死亡率的影响。
模型性能比较与最优选择
三种模型展现出不同的预测特性：GBS 模型虽在长期预测中时间依赖 AUC 高达 0.92，但 C 指数较低（0.68），提示一致性不足；RSF 模型在短期预测（5 年）中表现稳定，AUC 为 0.83，C 指数 0.82；而 Coxnet 模型在长短期预测中均表现优异，25 年时 AUC 达 0.88，C 指数 0.82，且 Brier 分数低，校准度良好。综合来看，Coxnet 模型以其平衡的预测能力和可靠性成为最优选择。
关键风险因素识别
通过 SHAP 分析，研究确定了影响全因死亡率的五大核心因素：年龄、FORNS 指数、腰围、吸烟量（>100 支）和 AAR 指数。RCS 分析显示，年龄超过 48 岁、FORNS>6.16、腰围 > 96.33cm 或 AAR>1.18 时，死亡风险显著上升。Kaplan-Meier 曲线进一步证实，吸烟量超过 100 支的患者生存率显著低于低吸烟量组（P<0.0001）。这些结果不仅验证了年龄、代谢指标与死亡率的直接关联，还揭示了吸烟等行为因素的重要影响。
研究结论与临床启示
本研究首次利用机器学习技术系统预测 MAFLD 患者的全因死亡率，证实 Coxnet 模型在整合多维度数据方面的优势。研究发现，除传统危险因素外，FORNS、AAR 等肝纤维化相关无创指标及腰围、吸烟量是关键预测因子，为临床早期识别高危人群提供了新工具。社区医疗人员可通过干预可改变因素（如控制腰围、戒烟）及监测肝纤维化指标，制定个体化管理策略，有望降低 MAFLD 患者的死亡风险。
尽管研究存在缺乏外部验证队列、未区分死因等局限，但其通过大样本前瞻性数据和先进算法，为 MAFLD 的风险分层和精准医疗奠定了基础。未来需进一步结合多中心数据及深度学习模型，深入解析分子机制，推动预测模型向临床实践的转化。该研究不仅拓展了 MAFLD 预后研究的深度，更凸显了机器学习在慢性病管理中的巨大潜力，为代谢性疾病的防控提供了跨学科的创新思路。
