《Infectious Diseases of Poverty》：Development and validation of a machine learning-based model for identifying liver fibrosis in individuals with prior Schistosoma japonicum infection: a step toward precision management
编辑推荐：
摘要背景：由日本血吸虫（Schistosoma japonicum）引起的肝纤维化（liver fibrosis）即使在成功进行吡喹酮化疗后仍可能持续进展。尽管肝活检（liver biopsy）仍是诊断肝纤维化的金标准，但其侵入性限制了临床应用。传统的非侵入性
摘要背景：由日本血吸虫（Schistosoma japonicum）引起的肝纤维化（liver fibrosis）即使在成功进行吡喹酮化疗后仍可能持续进展。尽管肝活检（liver biopsy）仍是诊断肝纤维化的金标准，但其侵入性限制了临床应用。传统的非侵入性指标，如天冬氨酸氨基转移酶与血小板比值指数（APRI）和纤维化-4指数（FIB-4），在日本血吸虫病相关病例中常表现欠佳。本研究旨在基于流行病学和实验室数据，开发并验证一个机器学习（ML）模型，用于识别既往感染日本血吸虫个体的肝纤维化，作为迈向精准管理的一步。方法：数据来源于江苏省日本血吸虫感染队列（中国江苏省），涉及6158名有明确感染史的参与者，他们在2021–2022年完成了随访评估。使用LASSO回归和方差膨胀因子（VIF）分析选择建模变量。评估了五种ML模型（k-最近邻、逻辑回归、支持向量机、决策树和极端梯度提升（XGBoost））。通过受试者工作特征曲线下面积（AUC）、决策曲线分析（DCA）和沙普利加法解释（SHAP）进行可解释性，将模型性能与APRI和FIB-4进行比较。结果：在验证集中，XGBoost模型表现出最高的诊断性能，AUC为0.854（95%置信区间（CI）：0.826–0.881），优于其他ML模型（AUC范围：0.609–0.776）。这显著优于FIB-4（AUC=0.514）和APRI（AUC=0.516）（P<0.001）。DCA证实，XGBoost模型在广泛的阈值概率范围内提供了显著的临床净获益。根据SHAP分析，变量如饮酒（平均SHAP值=0.401）、γ-谷氨酰转移酶（0.295）和甘油三酯（0.292）是肝纤维化风险的最强预测因子。结论：基于XGBoost的模型为识别既往感染日本血吸虫个体的肝纤维化提供了一种稳健的非侵入性工具，其中饮酒、γ-谷氨酰转移酶和甘油三酯被确定为关键预测因子。通过优于传统指标并利用常规可用数据，该模型代表了向既往感染日本血吸虫个体精准管理的一个有前景的进展，为传播后环境中的早期干预、风险分层评估和肝脏疾病的监测提供了一种可扩展的方法。
**论文解读：基于机器学习模型识别既往日本血吸虫感染者的肝纤维化——迈向精准管理的新工具**
**研究背景与问题**
日本血吸虫病（schistosomiasis japonica）是全球最严重的寄生虫病之一，仅次于疟疾，影响着数亿人口。该病由日本血吸虫（Schistosoma japonicum）引起，虫卵沉积于肝脏可引发肉芽肿性炎症，进而发展为肝纤维化、肝脾肿大、门静脉高压甚至死亡。中国曾是血吸虫病重灾区，经过数十年综合防控，2023年已实现全国传播阻断，目前正迈向消除目标。然而，大量既往感染者仍存在肝纤维化风险——即使成功接受吡喹酮（praziquantel）治疗，部分患者的肝纤维化仍可进展。研究表明，约30%的既往感染者最终发展为严重肝纤维化，且既往感染史与肝实质纤维化严重程度的相关性（OR=1.84）高于现症感染（OR=1.40）。因此，早期识别肝纤维化并实施抗纤维化干预至关重要。
当前诊断方法存在明显局限：肝活检虽是金标准，但具侵入性、有出血等并发症风险，患者依从性低；传统非侵入性指标如天冬氨酸氨基转移酶与血小板比值指数（APRI）和纤维化-4指数（FIB-4）在病毒性肝炎中表现良好，但在血吸虫病患者中诊断性能不佳（AUC常低于0.6）；超声检查则受操作者主观性影响，重复性差。机器学习（ML）能够从高维临床数据中捕捉复杂非线性关系，已在慢性乙型肝炎和代谢相关脂肪性肝病中显示优越性，但在血吸虫病相关肝纤维化中的应用鲜有报道。本研究旨在利用流行病学和常规实验室数据，开发并验证基于ML的诊断模型，以精准识别既往日本血吸虫感染者的肝纤维化，实现早期干预和风险分层管理。
**研究设计与方法**
研究人员从江苏省日本血吸虫感染队列（中国江苏省，一项前瞻性纵向队列）中纳入6158名有明确感染史且完成2021–2022年随访评估的参与者。排除标准包括严重自身免疫病、合并乙肝/丙肝病毒感染、酒精性或代谢相关脂肪性肝病及原发性肝癌。所有参与者接受标准化面谈、体格检查、空腹静脉血检测和腹部超声检查。超声评估由两名资深放射科医师根据WHO诊断标准将肝纤维化分为0–III级，0级定义为非纤维化，I–III级定义为纤维化。
模型构建的关键技术方法包括：（1）变量选择：采用LASSO回归（十折交叉验证，选择1倍标准误对应的λ）初步筛选候选变量，再通过方差膨胀因子（VIF）分析排除多重共线性变量（VIF>5为剔除标准），最终保留16个预测因子：年龄、饮酒、体重、收缩压、舒张压、红细胞计数、白细胞计数、血小板计数、血糖、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、丙氨酸氨基转移酶、γ-谷氨酰转移酶、白蛋白/球蛋白比值和透明质酸。（2）模型训练与评估：将数据集按7:3分层随机分为训练集和验证集，在训练集内采用十折交叉验证进行超参数调优，并应用合成少数类过采样技术平衡类别。评估五种ML模型：k-最近邻（kNN）、逻辑回归（LR）、支持向量机（SVM）、决策树（DT）和极端梯度提升（XGBoost）。在验证集中使用受试者工作特征曲线下面积（AUC）、准确率、灵敏度、特异度、阳性预测值、阴性预测值和F1分数评估性能，并与APRI和FIB-4比较（DeLong检验）。临床效用通过决策曲线分析（DCA）评估，模型可解释性采用沙普利加法解释（SHAP）分析。
**研究结果**
**基线受试者特征**
共纳入6158名既往感染者，中位年龄64岁，男性占57.1%，70.1%存在肝纤维化。训练集与验证集的基线特征均衡（P>0.05），表明随机分组有效。
**变量选择**
LASSO回归基于1倍标准误准则初步识别18个候选变量。VIF分析发现总蛋白、白蛋白和A/G比值存在严重共线性（VIF>5），最终保留A/G比值并剔除其他蛋白指标，最终模型纳入16个独立预测因子。
**模型诊断性能**
在验证集中，XGBoost模型表现最优：AUC为0.854（95% CI: 0.826–0.881），显著高于其他ML模型（AUC范围0.609–0.776）和传统指标（FIB-4 AUC=0.514，APRI AUC=0.516，P<0.001）。具体指标：准确率0.818，灵敏度0.853，特异度0.736，阳性预测值0.884，阴性预测值0.687，F1分数0.868。DeLong检验证实XGBoost显著优于FIB-4和APRI（AUC差异分别为0.340和0.338，P<0.001）。
**临床效用（DCA）**
DCA显示，XGBoost模型在0–95%的广泛阈值概率范围内均提供正的临床净获益，而传统指标仅在25%以下阈值有有限获益。这表明使用XGBoost模型进行临床决策可减少不必要的诊断程序。
**特征贡献（SHAP）**
SHAP分析显示，饮酒（平均SHAP值=0.401）是最强预测因子，其次是γ-谷氨酰转移酶（0.295）和甘油三酯（0.292）。其他重要贡献因子包括血糖（0.254）、A/G比值（0.251）、收缩压（0.239）和年龄（0.237），而体重和红细胞计数影响最小。
**讨论与结论**
讨论部分指出，APRI和FIB-4在血吸虫病患者中表现不佳的原因在于血吸虫病的独特病理机制：虫卵集中于门静脉分支导致窦前性阻塞，肝细胞功能相对保留，因此传统生化指标难以敏感反映纤维化。XGBoost通过捕捉非线性特征交互，克服了这一局限。本研究是首个专门针对既往日本血吸虫感染者开发ML模型的研究，样本量（6158人）大于既往同类研究（1049人），且关注的是感染后数十年、已接受治疗的稳定人群，更适合评估早期纤维化诊断。模型仅依赖常规流行病学和实验室数据，可作为超声检查的客观替代方案，尤其适用于基层医疗资源匮乏地区。
研究结论部分翻译如下：研究人员开发并验证了一个基于XGBoost的模型，该模型在识别既往日本血吸虫感染者的肝纤维化方面优于传统非侵入性指标。该模型代表了向数字诊断工具迈出的有前景的一步，可协助临床医生在血吸虫病流行地区进行纤维化分级、优化早期干预并监测治疗结局。
