
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于生化代谢、人体测量与体成分指标的中老年人群MASLD多模态识别模型构建与性能评估
《BMC Endocrine Disorders》:Development and internal validation of an interpretable model for MASLD identification using metabolic and body composition indicators in middle-aged and older adults
【字体: 大 中 小 】 时间:2026年10月14日 来源:BMC Endocrine Disorders 3.7
编辑推荐:
摘要背景代谢功能障碍相关脂肪性肝病(MASLD)与代谢功能障碍、胰岛素抵抗、血脂异常、肥胖和体成分改变密切相关。在中老年人群中,与年龄相关的脂肪分布和骨骼肌状态变化可能进一步改变MASLD的代谢表型。方法本单中心回顾性横断面研究纳入了1,267名年龄≥45岁的体检受试者(48
代谢功能障碍相关脂肪性肝病(MASLD)与代谢功能障碍、胰岛素抵抗、血脂异常、肥胖和体成分改变密切相关。在中老年人群中,与年龄相关的脂肪分布和骨骼肌状态变化可能进一步改变MASLD的代谢表型。
本单中心回顾性横断面研究纳入了1,267名年龄≥45岁的体检受试者(488例MASLD,779例非MASLD)。收集人口学、代谢、生化、人体测量学和体成分数据。构建四个增量模型,随后使用相关性、共线性、弹性网络回归和Bootstrap稳定性筛选进行变量选择。比较了八种算法,并通过AUC、Brier评分、校准斜率、决策曲线分析和SHAP解释评估模型性能。
增量建模显示,添加生化参数和人体测量参数分别使AUC从0.648增加到0.839和0.873。进一步添加BIA指标使AUC略微提高到0.877(p = 0.604),尽管敏感性、特异性和校准略有改善。通过弹性网络稳定性筛选确定的12个变量用于构建多个以筛查为导向的识别模型,其中logistic回归模型表现出最佳整体性能(验证AUC = 0.869,敏感性 = 0.836,特异性 = 0.755)。SHAP分析显示,TyG-BMI、ALT、AST、dASMI、ALB、LDL-C、UA、代谢疾病史、dPhaseAngle、HDL-C、年龄和WHtR是主要贡献变量。敏感性分析表明,非诊断重叠变量模型仍保留了相当大的诊断能力,表明最终模型并非完全依赖于与MASLD诊断标准相关的变量。在基于额外标准的分析中,添加8个非重叠预测因子使AUC从0.749增加到0.809(ΔAUC = 0.060,p = 0.0003),表明在代谢标准之外存在增量判别能力,但潜在的纳入偏倚无法消除。
传统的生化、代谢和人体测量指标为当前MASLD识别提供了大部分判别信息。添加基于BIA的体成分变量并不能在常规变量之外实质性地改善模型判别能力。由于若干预测变量与MASLD定义组成部分重叠或近似,全模型的判别能力部分依赖于定义。最终的logistic回归模型应被视为内部验证的辅助分类模型,临床实施前需要进行外部验证。
不适用。
代谢功能障碍相关脂肪性肝病(MASLD)与代谢功能障碍、胰岛素抵抗、血脂异常、肥胖和体成分改变密切相关。在中老年人群中,与年龄相关的脂肪分布和骨骼肌状态变化可能进一步改变MASLD的代谢表型。
本单中心回顾性横断面研究纳入了1,267名年龄≥45岁的体检受试者(488例MASLD,779例非MASLD)。收集人口学、代谢、生化、人体测量学和体成分数据。构建四个增量模型,随后使用相关性、共线性、弹性网络回归和Bootstrap稳定性筛选进行变量选择。比较了八种算法,并通过AUC、Brier评分、校准斜率、决策曲线分析和SHAP解释评估模型性能。
增量建模显示,添加生化参数和人体测量参数分别使AUC从0.648增加到0.839和0.873。进一步添加BIA指标使AUC略微提高到0.877(p = 0.604),尽管敏感性、特异性和校准略有改善。通过弹性网络稳定性筛选确定的12个变量用于构建多个以筛查为导向的识别模型,其中logistic回归模型表现出最佳整体性能(验证AUC = 0.869,敏感性 = 0.836,特异性 = 0.755)。SHAP分析显示,TyG-BMI、ALT、AST、dASMI、ALB、LDL-C、UA、代谢疾病史、dPhaseAngle、HDL-C、年龄和WHtR是主要贡献变量。敏感性分析表明,非诊断重叠变量模型仍保留了相当大的诊断能力,表明最终模型并非完全依赖于与MASLD诊断标准相关的变量。在基于额外标准的分析中,添加8个非重叠预测因子使AUC从0.749增加到0.809(ΔAUC = 0.060,p = 0.0003),表明在代谢标准之外存在增量判别能力,但潜在的纳入偏倚无法消除。
传统的生化、代谢和人体测量指标为当前MASLD识别提供了大部分判别信息。添加基于BIA的体成分变量并不能在常规变量之外实质性地改善模型判别能力。由于若干预测变量与MASLD定义组成部分重叠或近似,全模型的判别能力部分依赖于定义。最终的logistic回归模型应被视为内部验证的辅助分类模型,临床实施前需要进行外部验证。
不适用。