基于机器学习模型识别西班牙瓦伦西亚地区VCTE衍生的高风险MASH个体

《Frontiers in Digital Health》:Development of a machine learning model to identify individuals with VCTE-derived at-risk MASH in a Spanish Mediterranean region

【字体: 大 中 小 】 时间:2026年09月22日 来源:Frontiers in Digital Health 5.2

编辑推荐:

  中文翻译: 引言:虽然当前指南建议对目标人群进行肝病筛查,但现有的非侵入性测试在识别高风险代谢功能障碍相关脂肪性肝炎(MASH)方面存在局限性。 材料与方法:这项回顾性研究使用了来自西班牙瓦伦西亚社区普通人群的两个大型数据集。主要目标是开发一种机器学习模型,用

  
中文翻译:
引言:虽然当前指南建议对目标人群进行肝病筛查,但现有的非侵入性测试在识别高风险代谢功能障碍相关脂肪性肝炎(MASH)方面存在局限性。
材料与方法:这项回顾性研究使用了来自西班牙瓦伦西亚社区普通人群的两个大型数据集。主要目标是开发一种机器学习模型,用于识别患有高风险MASH的个体。该模型使用一个特征明确的数据集(n?=?2,267),其中包含可用的振动控制瞬态弹性成像(VCTE)数据构建。监督式机器学习模型(随机森林和XGBoost)采用10折交叉验证进行训练,以分类高风险MASH个体,其定义为受控衰减参数(CAP)≥?275?dB/m且肝脏硬度测量值(LSM)>?8?kPa和/或FibroScan-AST评分(FAST)>?0.35。最终模型命名为VARM-7(Valencia At-Risk MASH),包含年龄和六项常规可用的实验室变量。VARM-7被依次应用于瓦伦西亚公共医疗数据库(n?=?3,411,069),以估计总体人群以及患有2型糖尿病(T2DM)和肥胖症的目标人群中高风险MASH个体的比例。
结果:在独立验证数据集中,VARM-7在识别高风险MASH方面的AUROC显著高于Fibrosis-4(FIB-4)(分别为0.84和0.64,p?结论:VARM-7在识别具有VCTE衍生的高风险MASH个体方面表现出强大的性能。研究人员的模型可以改善疾病筛查和转诊路径,但在其实施之前需要进行外部验证和预后评估。
论文解读

一、研究背景与问题

代谢功能障碍相关脂肪性肝病(MASLD)是全球最常见的慢性肝病病因,其关键危险因素包括肥胖、2型糖尿病(T2DM)和代谢综合征。MASLD代表了一个疾病连续谱,从单纯性肝脂肪变性进展为代谢功能障碍相关脂肪性肝炎(MASH),后者可进一步发展为肝纤维化、肝硬化和肝细胞癌。此外,MASH还是心血管疾病的危险因素,而心血管疾病是该人群的主要死亡原因。1990年至2019年间,MASLD在成人普通人群中的患病率从25.3%上升至38%,2023年MASH的估计患病率为5.3%,且呈持续上升趋势。然而,由于诊断困难和疾病认知度低,MASLD和MASH的实际患病率可能仍被低估。

肝活检虽然是诊断MASLD和MASH的金标准,但属于侵入性操作,费用高昂且可能为患者带来并发症,不适合人群筛查和长期监测。因此,肝活检主要保留给疑似晚期疾病的症状性患者,导致许多无症状患者被忽视。现有非侵入性测试,如Fibrosis-4(FIB-4)指数,虽然被指南推荐用于纤维化风险评估,但也存在预测准确性不一致、对晚期纤维化敏感性中等以及在年轻人群或T2DM患者中诊断性能不佳等局限性。此外,许多非侵入性测试缺乏诊断MASH的特异性,且依赖于临床实践中不常规收集的临床参数。鉴于这些局限性,临床上亟需更准确的非侵入性筛查策略来识别MASH风险个体并改善转诊路径。人工智能(AI)和机器学习(ML)技术能够识别复杂数据模式,为克服上述局限性提供了新的可能性。

二、研究目的与意义

本研究旨在开发一种基于通用可及变量的机器学习模型,用于识别具有振动控制瞬态弹性成像(VCTE)衍生的高风险MASH表型的个体。研究以西班牙瓦伦西亚社区为研究区域,利用包含VCTE数据的大型特征明确数据集构建模型,并进一步将该模型应用于超过300万人的瓦伦西亚公共医疗数据库,以估计总体人群及T2DM和肥胖症目标人群中高风险MASH个体的比例。该研究的开展对于优化当前基于FIB-4的转诊路径、通过AI工具改善肝病评估具有重要的临床意义,可能有助于在高风险人群中实现更早期、更全面的疾病管理。

三、关键技术方法

研究人员采用回顾性研究设计,使用了来自西班牙瓦伦西亚社区普通人群的两个大型数据集。第一个数据集包含2,267名来自普通人群的个体(ETHON数据集,NCT02749864),所有个体均接受了VCTE检查以量化受控衰减参数(CAP)和肝脏硬度测量值(LSM)。该数据集被随机分为80%的训练队列和20%的独立验证队列。第二个数据集为瓦伦西亚公共医疗数据库,包含2019年3,411,069名个体的数据。研究中使用了两种监督式机器学习模型(随机森林和XGBoost),采用10折交叉验证进行训练。MASH病例定义为CAP≥275 dB/m且LSM>8 kPa和/或FibroScan-AST评分(FAST)>0.35。特征选择基于重要性和可及性两个标准,最终模型VARM-7由年龄和六项常规实验室变量组成。模型性能通过敏感性、特异性、阳性预测值、阴性预测值和受试者工作特征曲线下面积(AUROC)进行评估,并与FIB-4进行比较,使用DeLong检验确定统计学显著性。

四、主要研究结果

(一)机器学习模型开发结果

监督式机器学习模型使用包含2,267名参与者的数据集进行开发,其中1,814名(80%)组成训练队列,453名(20%)组成验证队列。最终的MASH模型VARM-7是随机森林分类器,使用年龄、血小板、葡萄糖、胆固醇、甘油三酯、丙氨酸氨基转移酶和肌酐七项变量。在独立验证队列中,VARM-7的AUROC为0.84,敏感性为0.72,特异性为0.87,均优于FIB-4的AUROC 0.64、敏感性0.68和特异性0.61。DeLong检验证实VARM-7的AUROC显著高于FIB-4(p<0.001)。VARM-7表现出高的阴性预测值(0.95)和适中的阳性预测值(0.50)。

(二)模型在瓦伦西亚社区的应用结果

将VARM-7依次应用于包含2019年3,411,069名个体的瓦伦西亚公共医疗数据库,67%的个体具有使用VARM-7所需的全部变量。在被分类为MASLD风险个体中,398,812名(25.3%)具有VCTE衍生的高风险MASH表型,占总体人群的11.7%。在肥胖症和T2DM人群中,分别有29.4%和44.0%的个体被估计为患有高风险MASH。在医疗资源利用方面,高风险MASH个体中97.4%有初级保健就诊记录,30.7%有急诊就诊记录,T2DM人群的资源利用率最高。

五、讨论与结论总结

讨论部分指出,VARM-7模型的一个关键优势在于仅需七项常规可用的临床变量,这保证了其在不同医疗环境中的可行性和可推广性。与FIB-4相比,VARM-7在独立验证数据集中表现出显著更高的AUROC,这可能归因于AI模型识别传统评分无法捕捉的微妙模式和复杂关系的能力。该模型的高特异性和良好阴性预测值表明其适合作为初始筛查工具,以排除低风险个体,减少不必要的检测。然而,由于存在一定假阳性可能,被识别为高风险的个体可转诊进行进一步非侵入性评估,以优化资源配置。

值得注意的是,基于ICD编码的既往研究报告MASH患病率仅为0.04%,而本研究的模型估计值11.7%更接近西班牙多地区人群研究报道的13%-15%的MASH患病率,这凸显了MASH在临床实践中经常被忽视的事实。但研究人员强调,这一结果应被解读为基于模型的替代定义风险类别估计值,而非活检确诊MASH的患病率。T2DM和肥胖人群中高风险MASH比例分别是总体人群的3.8倍和2.5倍,这一比率与基于ICD诊断的发现相符。

研究局限包括:基于西班牙队列的样本量相对有限、参考结果为VCTE衍生指标而非活检确诊MASH、缺乏外部验证、以及数据不完整可能影响模型的可推广性。此外,随机欠采样可能影响预测概率和校准。

研究结论:VARM-7利用常规可用的临床变量在识别VCTE衍生的高风险MASH表型个体方面表现出高性能。当依次应用于瓦伦西亚社区数据库时,估计总体人群中有11.7%、肥胖人群中有29.4%、T2DM人群中有44.0%处于MASH风险中。研究结果表明,基于AI的工具可通过简化和加速当前筛查和转诊路径来辅助早期和更全面的疾病管理,这可能对高风险人群尤其有益。
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