纳入社会健康决定因素的性别特异性机器学习模型预测MASLD成人全因死亡风险

《Biology of Sex Differences》：Sex differences in mortality risk profiles across the life course in metabolic dysfunction-associated steatotic liver disease: a machine learning analysis of the Canadian Longitudinal Study on Aging

　　

摘要

背景

代谢功能障碍相关性脂肪性肝病（MASLD）的预后模型大多"一刀切"，并未充分考虑性别差异和社会健康决定因素（SDoH）。为弥补这一缺口，我们训练并开发了纳入SDoH的性别特异性机器学习模型，以探讨MASLD成人全因死亡的重要预测因子。

方法

利用加拿大老龄化纵向研究，MASLD定义为存在肝脂肪变性、至少一个心脏代谢风险因素以及低水平的性别特异性饮酒量（女性：< 140 g/周，男性：< 210 g/周）。在性别和年龄特异性亚组（中年：45–64岁 vs. 老年：\(\:\ge\:\)65岁）中考察了三种机器学习模型。根据文献、专家意见和数据可用性，考虑了25个涵盖与MASLD进展和死亡相关的上游、中间或替代因素的临床、社会人口学和生活方式预测因子。队列分为75%训练集和25%测试集，采用5折交叉验证进行超参数调整。在保留的测试集中使用一致性指数（C-Index）、集成Brier评分（iBS）、时间依赖性曲线下面积（AUC(t)）和可视化校准曲线进行评估。重要预测因子基于Shapley可加性解释值的全球重要性和方向性进行描述。

结果

在30,097名参与者中，我们识别出8,429例MASLD患者（35.3%为女性），中位随访时间为7.67年（四分位距：6.84，8.45），其中631例（7.5%）死亡。使用随机生存森林模型，全因死亡风险预测在随访期间表现出有意义的分层效果（女性：C-Index 0.73，iBS 0.032，平均AUC(t) 0.78；男性：C-Index 0.79，iBS 0.035，平均AUC(t) 0.82）。女性和男性的风险预测特征存在差异。除白蛋白和心脏代谢多病共存等临床因素外，女性风险还受收入、教育和生活方式的影响，尤其是在中年阶段。相比之下，腰围、血压、白蛋白和体重指数等代谢参数是男性的重要预测因子。

结论

我们的研究结果表明，MASLD患者的死亡风险预测特征随性别和年龄而异。这凸显了将SDoH纳入性别特异性预后评估的潜在价值，在社交医学与精准医学之间架起桥梁，从而实现MASLD中更加公平、个体化的风险预测。