基于多种机器学习算法构建睡眠呼吸暂停综合征患者非酒精性脂肪肝疾病风险预测模型：一项多中心研究

摘要

背景

睡眠呼吸暂停综合征（SAS）与非酒精性脂肪肝病（NAFLD）的风险增加密切相关，但目前的临床工具缺乏对多维度数据的整合，无法进行准确的风险预测。本研究采用多种机器学习算法来开发和验证SAS患者发生NAFLD的风险预测模型。

方法

这项回顾性多中心研究使用了2024年在无锡第五人民医院诊断出的595名SAS患者的数据（训练队列）以及无锡第二人民医院的372名患者的数据（外部验证队列）。收集了人口统计学、人体测量学、生化和共病数据。通过多变量逻辑回归分析探讨了SAS患者发生NAFLD的风险因素，并对风险因素进行了受限立方样条（RCS）非线性趋势分析。在使用Boruta和LASSO回归进行预处理和变量选择后，训练了九个机器学习模型。根据接收者操作特征曲线下面积（AUC）选择表现最佳的模型，并进行了外部验证。

结果

多因素逻辑回归分析发现，性别、肥胖、高脂血症、低密度脂蛋白胆固醇（LDL-C）、AST与ALT比值、尿酸、γ-谷氨酰转移酶（GGT）、白蛋白和血小板计数（PLT）与SAS患者发生NAFLD显著相关。天冬氨酸氨基转移酶与丙氨酸氨基转移酶比值（AST与ALT比值）、GGT、白蛋白和血小板计数（PLT）与SAS患者发生NAFLD之间存在非线性关系。在9个机器学习模型中，逻辑回归模型的表现最佳（AUC = 0.752，95% CI：0.654–0.850）。关键的预测因素包括LDL-C、高脂血症、高密度脂蛋白胆固醇（HDL-C）、AST/ALT比值和GGT。SHAP分析显示，升高的LDL-C、高脂血症和GGT会增加NAFLD的风险，而较高的HDL-C水平具有保护作用。AST/ALT比值与风险呈负相关。

结论

本研究发现，性别、肥胖、高脂血症、LDL-C、AST与ALT比值、尿酸、GGT、白蛋白和PLT与SAS患者发生NAFLD显著相关。本研究建立的逻辑回归模型能够有效预测SAS患者发生NAFLD的风险，强调了脂质代谢异常和氧化应激标志物的核心作用。这一工具为临床实践中的早期风险分层和针对性干预提供了实用且易于解释的解决方案。

临床试验编号

不适用。