根据涉及两个独立中国医院队列的最新研究，机器学习可以帮助识别患有 2 型糖尿病 (T2D) 风险增加的非酒精性脂肪肝 (NAFLD) 患者。
研究人员使用五个常规可用的临床变量开发并外部验证了一个预测模型，在独立验证队列中实现了 0.89 的受试者工作特征曲线下面积 (AUC)。研究结果表明，人工智能可以支持 NAFLD 患者进行更个性化的风险评估，尽管在临床实施之前还需要进一步的前瞻性验证。
识别脂肪肝疾病中的糖尿病风险
NAFLD 在代谢功能障碍相关脂肪肝病 (MASLD) 的框架内得到越来越多的讨论，它与代谢异常和罹患 T2D 的可能性增加密切相关。
识别患糖尿病风险最大的患者可以支持早期监测和预防干预。
然而，预测哪些 NAFLD 患者随后会发展为 T2D 仍然具有挑战性，特别是当多种代谢和炎症因素导致疾病风险时。
为了研究机器学习是否可以改善风险分层，研究人员回顾性分析了中国两家三级医院经组织学确诊的 NAFLD 患者。
将组织学诊断日期作为基线，对患者进行随访，直至首次记录 T2D 诊断或最后一次可用的临床记录。
研究人员开发了七种预测模型，包括逻辑回归、决策树、随机森林、XGBoost、LightGBM、支持向量机和人工神经网络（ANN）。
使用辨别、校准、临床决策分析和外部验证来评估模型性能。
确定了五个临床预测因素
研究人员利用最小绝对收缩和选择算子 (LASSO) 回归，确定了与后续 T2D 发展相关的五个变量。
这些包括腰围、空腹血糖、甘油三酯水平、糖尿病家族史以及中性粒细胞与淋巴细胞的比率。
选定的预测因子代表了代谢特征、遗传风险和全身炎症标志物的组合。
空腹血糖提供有关现有血糖状态的信息，而腰围和甘油三酯水平则反映与糖尿病风险相关的代谢特征。
家族史反映了易感性的既定维度，而中性粒细胞与淋巴细胞的比率则提供了炎症状态的可行测量。
重要的是，所有五个变量都可以通过常规临床评估获得，这可能使该模型比需要专门研究的方法更容易获得。
研究人员强调，该模型的潜在价值在于将已建立的临床变量结合到综合风险评估中，而不是识别全新的糖尿病预测因子。
XGBoost展现强劲外在表现
在评估的七种算法中，ANN 模型在内部验证数据集中表现出了最强的性能。
然而，当研究人员评估独立外部队列中的所有七个模型时，XGBoost 表现出了最佳的整体性能。
XGBoost 模型在训练数据集中的 AUC 为 0.99，在外部验证队列中的 AUC 为 0.89。
训练和外部验证性能之间的差异凸显了评估独立群体中的预测模型的重要性，而不是仅仅依赖于它们在开发过程中的性能。
主要基于外部验证结果、校准和决策曲线分析，选择 XGBoost 作为最终模型。
研究人员还进行了几项敏感性分析，以解释随访持续时间的差异，包括 Cox 比例风险回归、时间依赖性接受者操作特征分析、随访调整逻辑回归和三年里程碑分析。
这些分析得出的结果与主要结果基本一致，支持了模型整体预测性能的稳健性。
为了提高可解释性，研究人员使用沙普利加法解释（SHAP）分析来评估各个变量如何对预测做出贡献。
这证实了空腹血糖、腰围、甘油三酯、糖尿病家族史和中性粒细胞与淋巴细胞比率在确定个体化风险评估中的重要性。
早期糖尿病风险分层的潜力
研究结果表明，结合常规可用临床信息的机器学习模型可以帮助识别可能受益于更密切的代谢监测的 NAFLD 患者。
这些方法可能支持更有针对性的预防策略，特别是对于具有多种代谢危险因素的患者。
然而，研究人员强调了一些局限性。
这项回顾性研究纳入了来自两家三级医院的活检确诊的 NAFLD 患者，这可能限制了使用非侵入性方法诊断的更广泛人群的普适性。
此外，该模型预测了可用随访期内糖尿病的发生，而不是按固定时间间隔（例如一年、三年或五年）提供绝对风险估计。
因此，其性能不应被解释为它可以在特定时间范围内准确预测糖尿病发展的证据。
尽管外部验证证明了有希望的区分能力，但该模型尚未被证明可以改善临床决策或患者结果。
研究人员得出结论，基于五个常规可用变量的可解释机器学习框架可能支持 NAFLD 患者的中期糖尿病风险分层。
在将该方法纳入常规临床实践之前，需要进行具有标准化随访期和预定义预测范围的进一步前瞻性、多中心研究。
参考
雷K.，吴Y.，邢Y.等。使用机器学习对组织学确诊的 NAFLD 患者发生 2 型糖尿病的中期风险进行预测：来自两个队列的见解。 糖尿病代谢综合征 （2026）。
