开发和验证基于机器学习模型识别曾感染日本血吸虫个体肝纤维化的方法：迈向精准管理的一步

背景：由日本血吸虫引起的肝纤维化即使在吡喹酮化疗成功后也可能持续进展。尽管肝活检仍是诊断肝纤维化的金标准，但其侵入性限制了临床应用。传统的无创指标，如天冬氨酸氨基转移酶与血小板比率指数（APRI）和纤维化-4（FIB-4）指数，在血吸虫病相关病例中往往表现不佳。本研究旨在利用流行病学和实验室数据，开发和验证一种基于机器学习（ML）的模型，用于识别曾感染日本血吸虫个体的肝纤维化，作为迈向精准管理的一步。方法：数据来源于江苏省日本血吸虫感染队列（中国江苏省），涉及6158名有明确感染史且在2021-2022年完成随访评估的参与者。使用LASSO回归和方差膨胀因子分析选择建模变量。评估了五种ML模型（k近邻、逻辑回归、支持向量机、决策树和极端梯度提升（XGBoost））。使用受试者工作特征曲线下面积（AUC）、决策曲线分析（DCA）和Shapley加法解释（SHAP）比较模型性能与APRI和FIB-4。结果：在验证集中，XGBoost模型显示出最高的诊断性能，AUC为0.854（95%置信区间：0.826-0.881），优于其他ML模型（AUC范围：0.609-0.776）。显著优于FIB-4（AUC=0.514）和APRI（AUC=0.516）（P<0.001）。DCA证实XGBoost模型在广泛的阈值概率范围内提供了显著的临床净获益。根据Shapley加法解释分析，酒精摄入（平均SHAP值=0.401）、γ-谷氨酰转移酶（0.295）和甘油三酯（0.292）是肝纤维化风险最有影响力的预测因子。结论：基于XGBoost的模型为识别曾感染日本血吸虫个体的肝纤维化提供了一种稳健、无创的工具，酒精摄入、γ-谷氨酰转移酶和甘油三酯被确定为关键预测因子。通过优于传统指标并利用常规可用的数据，该模型代表了向曾感染日本血吸虫个体精准管理的有前景的进展，为传播阻断后环境中的早期干预、风险分层评估和肝脏发病监测提供了一种可扩展的方法。