由5项临床指标和肝脏硬度测量组成的机器学习模型可以准确识别与MASLD相关的肝纤维化

主要观点总结

文章介绍了来自广东省病毒性肝炎临床研究中心的Fan Rong等人开发的一个机器学习模型，该模型使用人口统计学/临床特征和肝硬度测量（LSM）来评估aMAP评分在诊断代谢功能障碍相关脂肪性肝病（MASLD）患者肝硬化和晚期纤维化中的作用。该模型通过结合临床指标和肝硬化测量数据，旨在准确识别MASLD相关的肝纤维化，并在诊断性能上有所提升。

关键观点总结

关键观点1: 研究背景

MASLD已成为世界上最常见的慢性肝病病因，影响约30%的人口。识别与MASLD相关的晚期纤维化和肝硬化对于减少并发症的发生和改善预后具有重要意义。传统的诊断方法如肝组织活检存在风险和局限性，因此非侵入性检查（NITs）备受关注。

关键观点2: 数据集和方法

本研究共纳入946例经活检证实的MASLD患者，使用配备M或XL探头的FibroScan进行LSM测量。研究采用了七种常见的机器学习算法，包括随机森林、逻辑回归等，用于预测肝硬化和晚期纤维化。

关键观点3: 结果和比较

研究结果显示，aMAP评分在诊断肝硬化和晚期纤维化方面表现出较好的效果，与FIB-4和APRI相比具有更高的AUROC值。此外，结合LSM和aMAP评分的机器学习模型（LSM-plus模型）在大多数ML算法中表现优异，具有较高的诊断准确率和特异性。

关键观点4: 总结

aMAP评分是一种新的、有前途的血清无创工具，用于检测MASLD患者的肝硬化和晚期纤维化。LSM-plus模型可以准确诊断与MASLD相关的肝硬化和晚期纤维化，为医生提供了一种可行的方法来确定可能需要医疗干预的患者。