基于多维临床数据识别代谢相关脂肪性肝病的相关因素:一项可解释的机器学习研究

《Scientific Reports》:Identifying factors associated with metabolic associated fatty liver disease based on multi-dimensional clinical data: an interpretable machine learning research

【字体: 大 中 小 】 时间:2026年08月29日 来源:Scientific Reports 4.9

编辑推荐:

   摘要代谢相关脂肪性肝病(MAFLD)仍然是全球主要的公共卫生问题,但将代谢生物标志物与饮食及生活方式因素相结合的综合识别工具仍然有限。本研究纳入了11,934名参与者(其中22.07%患有MAFLD)。在利用方差膨胀因子(VIF)进行多重共线性诊断后,我们采用LASSO回归结

  

摘要

代谢相关脂肪性肝病(MAFLD)仍然是全球主要的公共卫生问题,但将代谢生物标志物与饮食及生活方式因素相结合的综合识别工具仍然有限。本研究纳入了11,934名参与者(其中22.07%患有MAFLD)。在利用方差膨胀因子(VIF)进行多重共线性诊断后,我们采用LASSO回归结合逐步逻辑回归(LR)筛选关键变量。基于筛选出的变量,我们开发并比较了八种机器学习模型。LR在留出法内部测试集中表现最优,AUC达到0.904(95% CI: 0.894–0.915),敏感度和特异度分别为0.891和0.781,且训练集与测试集之间的性能差距最小,泛化能力最佳。此外,我们还进行了敏感性分析,以评估变量筛选策略并回应关于FLI/HSI与MAFLD同质性的担忧。我们比较了四种LR模型:全变量模型(排除FLI和HSI)、筛选变量模型、仅含FLI+HSI的模型以及排除代谢变量的模型。筛选变量模型在变量数量更少的情况下,性能与全变量模型相当,并在检测MAFLD病例方面显著优于仅含FLI+HSI的模型。排除代谢变量的模型AUC显著降低(0.792),证实代谢变量是模型性能的关键驱动因素。SHAP分析发现,BMI、TyG指数、LAP以及HDL(负向贡献)是影响最大的预测因子。该变量精简且具有可解释性的LR模型可能有助于MAFLD的风险分层与个体化预防,但在临床应用中仍需外部验证。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号