揭示正常体重女性中隐匿性代谢综合征：区域脂肪分布与肌肉质量在时间验证的机器学习分诊框架中优于BMI

《Acta Diabetologica》：Unmasking covert metabolic syndrome in normal-weight women: regional adiposity and muscle quality outperform BMI in a temporally validated machine learning triage framework

　　

摘要

目的

传统基于体质指数（BMI）的筛查无法识别代谢性肥胖正常体重（MONW）表型。我们旨在开发并验证一种可解释的机器学习框架，利用中央脂肪的非侵入性替代标志物（腰高比，WHtR）和相对功能性肌肉能力（相对握力，RHGS）来交叉分诊女性中现患的代谢综合征（MetS）。

方法

在2,418名女性（NHANES 2011–2014）中，我们排除了孕妇，并应用了无数据泄漏的独立K近邻插补（k=5）。使用XGBoost，我们评估了基线M1（年龄+BMI）、中间M2（年龄+BMI+RHGS）和提出的M3（年龄+WHtR+RHGS）。遵循TRIPOD 3型时间验证，我们在2011–2012年周期（N=1,167）上训练模型，并在2013–2014年周期（N=1,251）上进行测试。SHapley加性解释（SHAP）提取了探索性、模型依赖的决策参考点。

结果

在未分层队列中，M3达到了与M2相当的判别能力（AUC 0.782 vs. 0.769，DeLong p=0.117）。然而，在正常体重女性（n=371）中，M3明显优于M1（AUC 0.855 [95% CI 0.800–0.910] vs. 0.757 [95% CI 0.678–0.835]，p<0.001）和M2（AUC 0.801，p=0.015），具有近乎完美的校准度（Brier得分=0.068）、高排除可靠性（NPV=98.9%）和0.12的阴性似然比（LR?，95% CI 0.06–0.22）。SHAP依赖分析揭示了非加性肌肉-脂肪相互作用，其中较低的强度（<0.891 kg/kg）主要在WHtR超过0.529时放大风险。

结论

用内脏脂肪指标和相对力量指标替代BMI显著改善了正常体重女性的MetS分诊。这个时间验证的框架提供了一种非侵入性的术前分诊工具，以优先对高风险MONW个体进行全面临床评估。