非酒精性脂肪性肝病预测模型的特征分析

doi:10.12114/j.issn.1007-9572.2021.00.562

中国全科医学 ›› 2021, Vol. 24 ›› Issue (30): 3888-3892.DOI: 10.12114/j.issn.1007-9572.2021.00.562

所属专题：消化系统疾病最新文章合辑

非酒精性脂肪性肝病预测模型的特征分析

高小莲1，肖明中2，3*，陶军秀2，3，艾亚婷1

1.430065湖北省武汉市，湖北中医药大学
2.430061湖北省武汉市，湖北省中医院
3.430074湖北省武汉市，湖北省中医药研究所
*通信作者：肖明中，副主任医师；E-mail：309452513@qq.com

出版日期:2021-10-20 发布日期:2021-10-20
基金资助:
2020年湖北省自然科学基金创新群体项目（2020CFA023）；2015年度国家中医临床研究基地业务建设第二批科研专项（JDZX2015168）

Characteristics Analysis of Predictive Models of Nonalcoholic Fatty Liver Disease　

GAO Xiaolian1，XIAO Mingzhong2，3*，TAO Junxiu2，3，AI Yating1

1.Hubei University of Chinese Medicine，Wuhan 430065，China
2.Hubei Provincial Hospital of TCM，Wuhan 430061，China
3.Hubei Provincial Institute of TCM，Wuhan 430074，China
*Corresponding author：XIAO Mingzhong，Associate chief physician；E-mail：309452513@qq.com

Published:2021-10-20 Online:2021-10-20

摘要/Abstract

摘要： 作为疾病风险评估的量化工具，疾病预测模型有助于识别高危人群，为健康管理提供参考依据，而非酒精性脂肪性肝病（NAFLD）预测模型研究尚未引起中国肝病健康管理领域研究者的充分关注。本文针对性地在PubMed、Web of Science、中国知网等数据库进行了文献查阅，得到8种NAFLD预测模型，分别是脂肪肝指数（FLI）、肝脂肪变性指数（HSI）、肝脂肪百分比、Framingham脂肪变性指数（FSI）、ZJU指数、NAFLD筛查评分（NSS）、Young Jin Park模型、Mika Aizawa模型。通过归纳上述8种NAFLD预测模型的建模方法、模型的质量表现、模型的表达及应用现状发现，Logistic回归分析是主要的建模方法，模型区分度较好，模型多采取内部验证，NAFLD预测模型的研究还存在较大的开发空间。

关键词: 非酒精性脂肪性肝病, 预测, 模型, Logistic模型

Abstract: As a quantitative tool of risk estimate，the disease prediction model is helpful to identify high-risk groups and provide evidence for health management. However，the research on nonalcoholic fatty liver disease（NAFLD） prediction models has not yet attracted sufficient attention in the field of liver disease management in China. Literature review of the NAFLD prediction model was conducted using PubMed，Web of Science，and CNKI databases. Eight NAFLD prediction models were obtained，which are fatty liver index，hepatic steatosis index，percentage of liver fat，Framingham steatosis index，ZJU index，NAFLD Screening Score，Young Jin Park model，and Mika Aizawa model. Modeling methods，performance assessment，expression and application status of the models are summarized in this paper，where Logistic regression is found to be the main modeling method，as the model discrimination is effective and internal validation is mostly adopted. Overall，the NAFLD prediction model is worthy of further exploration.

Key words: Non-alcoholic fatty liver disease, Forecasting, Model, Logistic models

高小莲,肖明中,陶军秀,等. 非酒精性脂肪性肝病预测模型的特征分析[J]. 中国全科医学, 2021, 24(30): 3888-3892. DOI: 10.12114/j.issn.1007-9572.2021.00.562.
GAO Xiaolian,XIAO Mingzhong,TAO Junxiu, et al. Characteristics Analysis of Predictive Models of Nonalcoholic Fatty Liver Disease　[J]. Chinese General Practice, 2021, 24(30): 3888-3892. DOI: 10.12114/j.issn.1007-9572.2021.00.562.

参考文献

［1］范建高，曾静.非酒精性脂肪性肝病的流行现状与危害［J］．中华消化杂志，2020，40（9）：577-580．DOI：10.3760/cma.j.cn311367-20200526-00349.
FAN J G，ZENG J.Epidemic status and harm of nonalcoholic fatty liver disease［J］．Chin J Dig，2020，40（9）：577-580．DOI：10.3760/cma.j.cn311367-20200526-00349.
［2］ZHOU F，ZHOU J H，WANG W X，et al. Unexpected rapid increase in the burden of NAFLD in China from 2008 to 2018：a systematic review and meta-analysis［J］．Hepatology，2019，70（4）：1119-1133．DOI：10.1002/hep.30702.
［3］ESTES C，ANSTEE Q M，ARIAS-LOSTE M T，et al. Modeling NAFLD disease burden in China，France，Germany，Italy，Japan，Spain，United Kingdom，and United States for the period 2016—2030［J］．J Hepatol，2018，69（4）：896-904．DOI：10.1016/j.jhep.2018.05.036.
［4］范建高.非酒精性脂肪性肝病的临床困境［J］．中国实用内科杂志，2019，39（3）：207-209.
FAN J G.Clinical dilemmas in non-alcoholic fatty liver disease［J］．Chinese Journal of Practical Internal Medicine，2019，39（3）：207-209.
［5］BEDOGNI G，BELLENTANI S，MIGLIOLI L，et al. The Fatty Liver Index：a simple and accurate predictor of hepatic steatosis in the general population［J］．BMC Gastroenterol，2006，6：33．DOI：10.1186/1471-230x-6-33.
［6］LEE J H，KIM D，KIM H J，et al. Hepatic steatosis index：a simple screening tool reflecting nonalcoholic fatty liver disease［J］．Dig Liver Dis，2010，42（7）：503-508．DOI：10.1016/j.dld.2009.08.002.
［7］KOTRONEN A，PELTONEN M，HAKKARAINEN A，et al. Prediction of non-alcoholic fatty liver disease and liver fat using metabolic and genetic factors［J］．Gastroenterology，2009，137（3）：865-872．DOI：10.1053/j.gastro.2009.06.005.
［8］LONG M T，PEDLEY A，COLANTONIO L D，et al. Development and validation of the Framingham steatosis index to identify persons with hepatic steatosis［J］．Clin Gastroenterol Hepatol，2016，14（8）：1172-1180.e2．DOI：10.1016/j.cgh.2016.03.034.
［9］WANG J，XU C，XUN Y，et al. ZJU index：a novel model for predicting nonalcoholic fatty liver disease in a Chinese population［J］．Sci Rep，2015，5：16494．DOI：10.1038/srep16494.
［10］ZHOU Y J，ZHOU Y F，ZHENG J N，et al. NAFL screening score：a basic score identifying ultrasound-diagnosed non-alcoholic fatty liver［J］．Clin Chim Acta，2017，475：44-50．DOI：10.1016/j.cca.2017.09.020.
［11］PARK Y J，LIM J H，KWON E R，et al. Development and validation of a simple index system to predict nonalcoholic fatty liver disease［J］．Korean J Hepatol，2011，17（1）：19-26．DOI：10.3350/kjhep.2011.17.1.19.
［12］AIZAWA M，INAGAKI S，MORIYAMA M，et al. Modeling the natural history of fatty liver using lifestyle-related risk factors：effects of body mass index （BMI） on the life-course of fatty liver［J］．PLoS One，2019，14（10）：e0223683．DOI：10.1371/journal.pone.0223683.
［13］王琦琦，于石成，亓晓，等. logistic族回归及其应用［J］．中华预防医学杂志，2019，53（9）：955-960．DOI：10.3760/cma.j.issn.
WANG Q Q，YU S C，QI X，et al. Overview of logistic regression model analysis and application［J］．Chin J Prev Med，2019，53（9）：955-960．DOI：10.3760/cma.j.issn.
［14］游士兵，徐小婷.统计学方法的发展及其在大数据中的应用［J］．统计与决策，2020（4）：31-35．DOI：10.13546/j.cnki.tjyjc.2020.04.007.
YOU S B，XU X T.The development of statistical methods and their application in big data［J］．Statistics and Decision，2020，36（4）：31-35．DOI：10.13546/j.cnki.tjyjc.2020.04.007.
［15］ALMANSOUR N A，SYED H F，KHAYAT N R，et al. Neural network and support vector machine for the prediction of chronic kidney disease：a comparative study［J］．Comput Biol Med，2019，109：101-111．DOI：10.1016/j.compbiomed.2019.04.017.
［16］黄光成，周良，石建伟，等. 机器学习算法在疾病风险预测中的应用与比较［J］．中国卫生资源，2020，23（4）：432-436．DOI ：10.13688/j.cnki.chr.2020.19608.
HUANG G C，ZHOU L，SHI J W，et al. Application and comparison of machine learning algorithms in disease risk prediction［J］．China Health Resource，2020，23（4）：432-436．DOI ：10.13688/j.cnki.chr.2020.19608.
［17］王俊峰，章仲恒，周支瑞，等. 临床预测模型：模型的验证［J］．中国循证心血管医学杂志，2019，11（2）：141-144．DOI：10.3969/j.issn.1674-4055.2019.02.04.
WANG J F，ZHANG Z H，ZHOU Z R，et al. Clinical prediction models：model validation［J］．Chin J Evid Based Cardiovasc Med，2019，11（2）：141-144．DOI：10.3969/j.issn.1674-4055.2019.02.04.
［18］ALBA A C，AGORITSAS T，WALSH M，et al. Discrimination and calibration of clinical prediction models：users' guides to the medical literature［J］．JAMA，2017，318（14）：1377-1384．DOI：10.1001/jama.2017.12126.
［19］KOEHLER E M，SCHOUTEN J N，HANSEN B E，et al. External validation of the fatty liver index for identifying nonalcoholic fatty liver disease in a population-based study［J］．Clin Gastroenterol Hepatol，2013，11（9）：1201-1204．DOI：10.1016/j.cgh.2012.12.031.
［20］MOTAMED N，FARAJI A H，KHONSARI M R，et al. Fatty liver index （FLI） and prediction of new cases of non-alcoholic fatty liver disease：a population-based study of northern Iran［J］．Clin Nutr，2020，39（2）：468-474．DOI：10.1016/j.clnu.2019.02.024.
［21］KIM J H，KWON S Y，LEE S W，et al. Validation of fatty liver index and lipid accumulation product for predicting fatty liver in Korean population［J］．Liver Int，2011，31（10）：1600-1601．DOI：10.1111/j.1478-3231.2011.02580.x.
［22］CHEN L W，HUANG P R，CHIEN C H，et al. A community-based study on the application of fatty liver index in screening subjects with nonalcoholic fatty liver disease［J］．J Formos Med Assoc，2020，119（1 Pt 1）：173-181．DOI：10.1016/j.jfma.2019.03.016.
［23］HUANG X，XU M，CHEN Y，et al. Validation of the fatty liver index for nonalcoholic fatty liver disease in middle-aged and elderly Chinese［J］．Medicine：Baltimore，2015，94（40）：e1682．DOI：10.1097/md.0000000000001682.
［24］郭芸蕾，阮骊韬，党莹，等. 实时剪切波弹性成像技术测量肝脾硬度联合肝脂肪变性指数在诊断脂肪肝中的应用价值研究［J］．中国临床医学影像杂志，2019，30（6）：416-420．DOI：10.12117/jccmi.2019.06.010.
GUO Y L，RUAN L T，DANG Y，et al. Application value of liver and spleen stiffness measured by real-time shear wave elastography combined with hepatic steatosis index in diagnosis of hepatic steatosis［J］．Chin Clin Med Imaging，2019，30（6）：416-420．DOI：10.12117/jccmi.2019.06.010.
［25］CHEN L D，HUANG J F，CHEN Q S，et al. Validation of fatty liver index and hepatic steatosis index for screening of non-alcoholic fatty liver disease in adults with obstructive sleep apnea hypopnea syndrome［J］．Chin Med J，2019，132（22）：2670-2676．DOI：10.1097/CM9.0000000000000503.
［26］刘捷，王永红，罗蓉，等. ZJU指数筛查对健康体检人群非酒精性脂肪肝患病风险预测的价值评估：一项基于重庆市体检人群的单中心研究［J］．重庆医科大学学报，2017，42（2）：244-248．DOI：10.13406/j.cnki.cyxb.001165.
LIU J，WANG Y H，LUO R，et al. Prevalence of nonalcoholic fatty liver disease in health medical examination participants from Chongqing：a single-center study based on the ZJU index［J］．Journal of Chongqing Medical University，2017，42（2）：244-248．DOI：10.13406/j.cnki.cyxb.001165.
［27］LI L，YOU W，REN W.The ZJU index is a powerful index for identifying NAFLD in the general Chinese population［J］．Acta Diabetol，2017，54（10）：905-911．DOI：10.1007/s00592-017-1024-8.
［28］BENKE K，BENKE G.Artificial intelligence and big data in public health［J］．Int J Environ Res Public Health，2018，15（12）：2796-2805．DOI：10.3390/ijerph15122796.
［29］RONZIO L，CABITZA F，BARBARO A，et al. Has the flood entered the basement？ A systematic literature review about machine learning in laboratory medicine［J］．Diagnostics （Basel），2021，11（2）：372-410．DOI：10.3390/diagnostics11020372.

[1]	安艳红, 王世东, 李潇然, 郭家扬, 王哲, 沙培林, 孟怡珺, 李小萱, 石雪, 于泽兴, 肖永华. 糖尿病肾病影响因素及列线图预测模型研究：基于超声造影技术[J]. 中国全科医学, 2026, 29(21): 2995-3003.
[2]	张泽宇, 李春晖. 1990—2021年中国归因于二手烟的缺血性心脏病疾病负担分析[J]. 中国全科医学, 2026, 29(20): 2903-2912.
[3]	孙松朋, 许方方, 龙俊红, 王占军, 曹俏蓉, 万伟萍, 李天煜, 林梅, 田颖, 石斌, 吴瑶, 王建国, 李新建, 霍兴霄, 梁隆雨, 褚洪川, 周阳洋, 张志云, 张书信, 贾山. 痔病严重度和手术风险预测评分的构建及临床指导价值研究[J]. 中国全科医学, 2026, 29(20): 2879-2886.
[4]	吴一璇, 肖亮满, 刘鑫, 严梓萁, 王毓婷, 林舒敏, 庄礼兴. 1990—2021年中国与全球帕金森病的疾病负担分析与未来趋势预测[J]. 中国全科医学, 2026, 29(20): 2895-2902.
[5]	葛丹, 王智, 丁群, 郭同兰, 徐同道. 2型糖尿病患者残余胆固醇与非酒精性脂肪性肝病及进展性肝纤维化的关系研究[J]. 中国全科医学, 2026, 29(20): 2854-2859.
[6]	杨晓峰, 李现文, 吴岩峰, 张倩, 陈娟, 赵凤姣. 血管内皮细胞钙黏蛋白水平与急性缺血性脑卒中后认知障碍发生风险的相关性研究[J]. 中国全科医学, 2026, 29(20): 2867-2873.
[7]	鲍若林, 鲁潮, 冯昕, 叶春梅, 来芬华, 倪作为, 杨东波, 郑永韬. 基于巢式病例对照研究老年人流感疫苗突破病例的风险预测模型[J]. 中国全科医学, 2026, 29(19): 2671-2677.
[8]	李亚婵, 杨阳, 徐千婷, 柯亭羽. 中国内脏脂肪指数与2型糖尿病合并左心室舒张功能障碍的关联性研究[J]. 中国全科医学, 2026, 29(18): 2482-2488.
[9]	翟乃胜, 黄莉华, 张也. 等速肌力测试对膝关节伸展1次重复最大值的预测能力研究[J]. 中国全科医学, 2026, 29(17): 2382-2386.
[10]	肖蕾, 缪星雨, 刘兴雨, 胡馨怡, 张松, 吴颖敏. 信任视角下患者持续基层首诊意愿的驱动机制研究[J]. 中国全科医学, 2026, 29(17): 2303-2311.
[11]	陈燕, 沈德权, 盛仁磊, 常玉洁, 杨佳琦, 丁洁, 孙志芳, 王大辉. 老年人基层中医预防保健服务利用的影响因素及重要性排序[J]. 中国全科医学, 2026, 29(16): 2182-2189.
[12]	罗煜橦, 李静. 基于地理加权回归模型的中国适龄人群人乳头瘤病毒疫苗覆盖率及影响因素研究[J]. 中国全科医学, 2026, 29(16): 2234-2243.
[13]	相彤, 于海燕, 李明月, 高文娟, 朱夏媛, 吴浩. 基层医护人员糖尿病前期管理行为的影响因素分析：一项质性研究[J]. 中国全科医学, 2026, 29(16): 2259-2263.
[14]	李嘉丽, 刘璠, 柯立鑫, 李慧娟, 王海博, 赵晓晓, 赵信科, 卢存存. 1990—2021年全球与中国60岁及以上人群肥胖的疾病负担：趋势分析与模型预测[J]. 中国全科医学, 2026, 29(15): 2067-2076.
[15]	刘帆, 陈秋雨, 李婧. 亚临床高风险人群夜间高血压筛查模型的构建与验证：一项单中心队列研究[J]. 中国全科医学, 2026, 29(15): 1998-2005.

非酒精性脂肪性肝病预测模型的特征分析

Characteristics Analysis of Predictive Models of Nonalcoholic Fatty Liver Disease

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

留言