Исследователи применили модели машинного обучения для выявления метаболической дисфункции, связанной со стеатозом печени (MASLD), у пациентов без ожирения. Анализ данных 768 участников скрининга в Китае показал, что рутинные анализы крови и показатели висцерального жира помогают вовремя заметить заболевание при нормальном индексе массы тела.
Проблема диагностики скрытой патологии печени у людей с нормальным весом привлекает внимание медицинского сообщества. Новые прогностические модели строятся на основе стандартных биохимических показателей крови и физикальных данных, что позволяет проводить первичную стратификацию рисков на обычных медицинских осмотрах без применения инвазивных процедур.
Анализ данных участников скрининга в Циндао и выборка нетучных пациентов
Специалисты проанализировали медицинские данные 2223 взрослых пациентов, прошедших обследования в больнице китайского города Циндао. Из первоначального массива исключили лиц с индексом массы тела 25 кг/м² и выше, пациентов с другими заболеваниями печени, значительным потреблением алкоголя или неполными данными.
В итоговую выборку вошли 768 участников с ИМТ ниже 25, среди которых 74,5% составляли женщины при среднем возрасте 50,6 года.
Заболевание диагностировали в соответствии с консенсусом мультиобщественного проекта Дельфи 2023 года. Наличие стеатоза печени определялось по результатам измерения контролируемого параметра затухания ультразвука с помощью аппарата FibroScan на уровне 248 дБ/м и выше при наличии хотя бы одного фактора метаболического риска. Под этот критерий подошли 226 человек, что составило 29,4% от всей финальной группы.
Сравнение эффективности восьми алгоритмов машинного обучения
Для построения прогнозов исследователи разделили когорту на тренировочный набор из 615 участников и независимую тестовую выборку из 153 человек. Предварительный отбор переменных с помощью метода наименьшего абсолютного сжатия и отбора (LASSO) сократил десятки показателей до восьми ключевых факторов: аполипопротеин B, триглицериды, уровень инсулина и глюкозы натощак, окружность талии, возраст, щелочная фосфатаза и систолическое артериальное давление.
На основе этих данных ученые обучили восемь алгоритмов: линейный дискриминантный анализ (LDA), градиентный бустинг (GBM), нейронные сети, логистическую регрессию, метод опорных векторов, наивный байесовский классификатор, случайный лес и деревья решений.
| Модель машинного обучения | Показатель AUC на тестовой выборке | 95% доверительный интервал |
|---|---|---|
| Градиентный бустинг (GBM) | 0,779 | 0,695–0,863 |
| Нейронная сеть | 0,777 | Не указан |
| Линейный дискриминантный анализ (LDA) | 0,771 | Не указан |
| Случайный лес | 0,742 | Не указан |
Модель градиентного бустинга продемонстрировала наивысшую способность к различению пациентов на независимом тесте. При этом модель случайного леса показала идеальную точность на тренировочном этапе с AUC 1,000, однако на тестовых данных этот показатель снизился до 0,742, что свидетельствует об эффекте переобучения сложных алгоритмов на небольших клинических базах данных.
Влияние резистентности к инсулину и дислипидемии на риск у худых пациентов
Анализ методом SHAP показал ключевые факторы, определяющие точность прогнозов. Уровень инсулина натощак выступал главным драйвером для линейного дискриминантного анализа, тогда как в модели градиентного бустинга доминировали триглицериды.
Окружность талии также вошла в число основных предикторов в обеих ведущих моделях. Это подтверждает, что метаболический риск у нетучных людей определяется прежде всего накоплением висцерального жира, а не общей массой тела.
Ограничения скрининга и перспективы внешнего тестирования моделей
При стандартных пороговых значениях лучшие алгоритмы выявляли от 33% до 40% подтвержденных случаев заболевания на тестовом наборе. Это означает, что большинство пациентов остаются незамещенными без дополнительной корректировки порогов.
Авторы подчеркивают необходимость внешнего тестирования на более крупных когортах и оптимизации пороговых значений перед внедрением методик в клиническую практику.
По теме
