代谢相关脂肪性肝病的严重程度预测模型构建与验证

张大涯，陈世锔，陈润祥，张晓冬，黄士美，曾 凡，陈 晨，李 达，白飞虎

（1.海南医学院研究生院，海南 海口 571199；2.海南医学院第二附属医院消化内科，海南 海口 570216；3.海南省消化疾病临床研究中心，海南 海口 570216）

非酒精性脂肪肝病（non-alcoholic fatty liver disease，NAFLD）是一种遗传、饮食和生活方式等多因素相互作用导致的疾病。众多研究证实了NAFLD与代谢异常的发生密切相关，包括肥胖、2 型糖尿病、高脂血症和高血压等。2020 年国际共识建议将NAFLD 更名为代谢相关性脂肪性肝病（metabolic associated fatty liver disease，MAFLD）［1］。以下所有NAFLD 的论述均更换为MAFLD。MAFLD 包括肝单纯脂肪变性、脂肪性肝炎、肝硬化等一系列疾病［2］。重要的是，诊断MAFLD 不再需要排除慢性肝病的其他原因，例如酒精或病毒性肝炎［3］。MAFLD 的全球患病率为37%～39%，是全球最常见 的 肝 病，是 肝 移 植 的 第3 大 原 因［4-6］。中 国MAFLD 患病率约为26%左右［7，8］。

MAFLD 的发病机制不详，准确无创评估脂肪变程度的方法缺乏，肝活检是诊断MAFLD 的金标准，且还没有批准用于治疗MAFLD 的药物［9］。目前发现磁共振质子密度脂肪含量测定诊断中重度脂肪变的准确度显著高于超声的受控衰减参数成像［10］。国内钟碧慧等［11］还使用了血脂等代谢参数创建了MAFLD 的新分类，以更准确地识别了心脑血管疾病等并发症的风险。

MAFLD 虽被认为是一种良性病变，但随着病情不断的进展，最终发展为肝硬化，甚至走向肝细胞癌［12］。因此，迫切需要一种简单、准确和有效的预测模型来预测MAFLD 的严重程度，并验证其有效性，指导临床诊疗实践。本研究拟进行3 部分的研究，第一步收集训练集的资料，分析中重度MAFLD 的危险因素，第二步构建中重度MAFLD的风险预测模型，第三步收集验证集资料，对模型进行验证。

1 材料和方法

1.1 研究对象和设计

在2022 年1 月～2022 年5 月于海南医学院附属第二医院进行健康体检的体检人群中，筛选出278名MAFLD 作为研究对象。根据肝脏的超声结果分为中重度MAFLD 组（78 人）（病例组）和轻度MAFLD 组（200 人）（对照组），比较两组的人口学资料及化验指标，单因素、多因素分析筛选独立危险因素，同时构建中重度MAFLD 预测模型，使用列线图可视化呈现模型，并绘制代表模型区分度的受试者工作特征（receiver operating characteristic curve，ROC）曲线、校准曲线图和模型临床适用度评价模型效能等进行模型内部验证。同时收集2022 年11～12 月我院体检中心的MAFLD 人群（外部验证集200 人）作为中重度MAFLD 预测模型的验证人群，分组及验证方法同前。该研究项目得到了海南医学院第二附属医院临床伦理委员会的批准，所有患者都签署了书面知情同意书（批准号：LW2022223）。

1.2 诊断标准

MAFLD 的诊断依据是肝脏脂肪变性的超声证据和以下3 种情况中的任何一种，即超重/肥胖、存在糖尿病（diabetic Mellitus，DM）或代谢综合征（metabolic syndrome，MS）［1］。脂肪肝的超声诊断是基于肝脏和肾脏回声增加、肝实质回声明亮、深部超声束衰减或血管模糊的征象。由超声医生进一步将其分为：（1）轻度脂肪变性（存在弥漫性回声增强）或（2）中度或重度脂肪变性（可见明亮的回声和或观察到超声束衰减）。MS 被定义为存在以下两项或两项以上的情况：（1）男性腰围≥102 cm，女性腰围≥88 cm；（2）血压≥130/85 mmHg 或服用特定 药 物；（3）甘 油 三 脂（triglycerides，TG）≥1.70 mmol/L 或服用特定药物；（4）男性高密度脂蛋白（high-density lipoprotein，HDL-C）＜1.0 mmol/L，女性HDL-C＜1.3 mmol/L；（5）糖尿病前期［空腹血糖（fasting blood glucose，FPG）水 平 在5.6～6.9 mmol/L 或2 h 负荷后血糖水平在7.8～11.0 mmol/L 或糖化血红蛋白在5.7%～6.4%］；（6）胰岛素抵抗平衡模型评估评分≥2.5；（7）C 反应蛋白水平＞2 mg/L。

1.3 临床和实验室参数

使用结构化的调查问卷来收集数据，包括年龄、性别和既往病史。血液检测由本医院检验科完成，包 括TG、总 胆 固 醇（total cholesterol，TC）、HDL-C、低 密 度 脂 蛋 白（low density lipoprotein，LDL-C）、尿酸（uric acid，UA）、FPG、红细胞计数（red blood cell，RBC）、血 小 板 计 数（platelet，PLT）、淋巴细胞绝对数（lymphocyte，LYM）等。RPR 表示红细胞分布宽度（red blood cell distribution width，RDW）与PLT 的比率，RLR 表示RDW与 LYM 的比率。甘油三酯葡萄糖指数（triglyceride-glucose，TyG）的计算公式为：TyG=ln ［TG（mg-dL-1）× FPG（mg-dL-1）/2］。

1.4 统计学处理

连续变量以平均值±标准差（SD）或M （IQR）表示，用t检验或Mann-Whitney U 检验来比较组间的变量。分类变量以频率（百分比）表示，两组之间的比较采用χ2检验。所有的统计分析用 SPSS 26.0 和 R-Software 4.2.1 处 理，若P＜0.05 则 表 示 差异有统计学意义。训练集Logistic 单、多因素分析，筛选模型的最终危险因素，rms 程序包绘制列线图模型建立预测模型。通过绘制校准曲线、临床模型的ROC 曲线以及临床适用度检验模型的区分度和实际应用效能。

2 结果

2.1 病例组和对照组临床与代谢特征的比较

训练集两组间的年龄（Z= - 1.048，P=0.294）、性别（χ2=1.656，P=0.198）、H.pylori感染（χ2=0.1，P=0.922）、RBC（Z= - 1.802，P=0.072）、LYM（Z=-1.172，P=0.241）、RLR（Z=-1.647，P=0.10）、RPR （Z=-0.639，P=0.523）和LDL-C（Z=-1.298，P=0.194），差异均无统计学意义。训练集中重度MAFLD 组UA（t=11.490，P＜0.001）、FPG（Z=-4.558，P＜0.001）、TG（Z=-4.326，P＜0.001）、TyG（Z=-5.337，P＜0.001）和CHOL 水平较高（Z=-2.405，P=0.016）以及RDW（Z=-2.487，P=0.013）和HDL-C 水平较低（Z=-3.791，P＜0.001），差异有统计学意义。验证集两组间的年龄（Z=-1.247，P=0.213）、性别（χ2=4.088，P=0.054）、H.pylori感染（χ2=0.167，P=0.735）、RBC（Z=-0.552，P=0.583）、LYM（Z=- 0.811，P=0.419）、RLR（Z= - 1.639，P=0.101）、RPR （Z=-0.686，P=0.495）、FPG（Z=-1.357，P=0.176）和LDL-C（Z=-0.068，P=0.947），差异均无统计学意义。验证集中重度MAFLD 组UA（Z=-6.649，P＜0.001）、TG（Z=-3.090，P=0.002）、TyG（Z=-2.004，P=0.045）和CHOL 水平较高（Z=-2.769，P=0.005）以及RDW（Z=-2.006，P=0.045）和HDL-C 水平较低（Z=-2.422，P=0.015），差异有统计学意义。

2.2 列线图（Nomogram）模型

构建逐步向前logistic 回归模型，结果显示UA［（OR=1.021，95%CI（1.015，1.027），P＜0.001］和FPG［OR=1.575，95%CI（1.158，2.143），P=0.004］是中重度MAFLD 人群的独立危险因素，见表2。利用训练集中logistic 回归模型筛选出来的UA 和FPG，以 中 位 数 为 临 界 点（401.5 μmol/L，5.48 mmol/L）转化成二分类变量后，构建中重度MAFLD 危险因素的列线图模型，见图1。

表2 与中重度MAFLD 相关的危险因素的逻辑回归分析Tab 2 Multivariate logistic regression analysis of factors associated with MAFLD

图1 模型的列线图Fig 1 Column line diagram of the model

2.3 预测模型区分度分析

R 语言分析：采用 Bootstrap 重抽样法（B=1 000）对模型进行内部验证和外部验证。ROC 曲线显示训练集、内部验证集和外部验证集的AUC 值分别为0.870 1、0.868 6 和 0.799 1。见图 2。

图2 训练集、验证集内外部验证（R 语言）Fig 2 Internal and external validation of training set，validation set （R language）

2.4 模型校准度分析 （R 语言分析）

采用Bootstrap 重抽样法（1 000 次）对模型进行内部验证，Hosmer-Lemesshow 检验中校准后曲线几乎与参考线相重合，HL 检验P＞0.05，表明模型预测结果与实际临床观察结果一致性较好，有良好的校准度。见图3。

表1 病例组和对照组临床与代谢特征的比较Tab 1 Comparison of clinical and metabolic characteristics between case group and control group in training set and validation set

2.5 模型临床适用度分析 （R 语言分析）

本模型的临床适用度较好，绘制的两条 DCA曲线基本高于两条极端曲线，提示模型有临床价值（见图4）。CIC 影响曲线的意义也很明显（见图5）。

图 3 模型内部验证校准曲线Fig 3 Model internal validation calibration curve

图4 模型的临床决策曲线Fig 4 Clinical decision curve of the model

图5 模型的临床影响曲线Fig 5 Clinical impact curve of the model

3 讨论

MAFLD 虽被认为是一种良性病变，但可进展为肝硬化、肝细胞癌［12］。本研究构建建模组进行训练集分析，构建验证组进行内外部验证分析，最后采用ROC 曲线、DCA 曲线、CIC 曲线对训练集和验证集两个预测模型进行评价，显示训练集和验证集两个模型均具有中等预测价值。

UA 水平受多种因素影响，包括性别、年龄、种族、遗传、饮食和生活习惯、药物作用等［13］。随着我国居民物质生活水平的提高，高尿酸血症发病率呈明显上升趋势［14］。UA 曾经一度被人们遗忘，除了痛风和肾结石外，并没有引起太多的关注。既往研究报导，较高的UA 水平与重度NAFLD 显著相关［15］，且与脂肪变性分级独立相关［16］。研究证实，高UA 水平不仅作为一种常见的代谢异常状态，而且还是 MAFLD 发生进展的核心因素［17-19］。同样，本研究UA 在预测中重度MAFLD上具有良好的预测价值。

UA 水平升高常见于代谢综合征患者，其被广泛认为是高血压、2 型糖尿病、血脂异常、痛风、慢性肾病和心血管疾病的危险因素之一［20］。UA 代谢紊乱可能通过胰岛素抵抗、促进线粒体和内质网氧化应激、促进炎症反应和诱导果糖代谢等途径参与MAFLD 的发生与进展［21，22］。高UA 可诱发脂肪酸合成酶和乙酰辅酶A 羧化酶1 的高表达，进而导致肝脏脂肪的生成和堆积［23］。UA 也通过抑制肝内胰岛素受体底物1 和Akt 胰岛素信号通路来诱导胰岛素抵抗，从而促进肝脏脂肪堆积［24］。此外，UA 还可以通过诱导线粒体氧化应激和柠檬酸释放来增加TG 的合成［25］。同时，UA 也可能通过激活NADPH氧化酶，特别是NOX4 跨膜蛋白，从而促进活性氧的产生，导致NLRP3 炎性小体的异常激活，最后导致肝脏脂肪变性以及长期慢性炎性损伤［22，26］。近来研究证实，UA 还可通过ROS / JNK / AP-1 途径诱导肝脏脂肪堆积［27］。因此，高UA 水平可能有助于早期识别MAFLD 患者的肝脏脂肪变性或相关的代谢异常。

高嘌呤饮食（如海鲜、豆类和红肉等）和高果糖饮食会导致HUA 的发生，进而促进MAFLD 的发生。果糖摄入量与MAFLD 患者肝脏炎症和纤维化程度之间存在显着相关性，原因是果糖可能诱导了许多促炎、促纤维化和致癌信号通路的激活［28，29］。果糖在肠道中被代谢后，导致肠道紧密连接的破坏，从而引起肠道通透性的增加，这是MAFLD 形成的重要触发因素［30］。因此，减少含糖饮料和总果糖摄入量，将对减少肝脏脂肪堆积有显着益处。

RDW、RLR 和RPR 是评估肝脏纤维化的新的非侵入性血液标志物。在过去，RDW、RLR 和RPR只用于临床诊断贫血或相关疾病。现在，RPR、RDW 和RLR 已被证明与结直肠癌较低的生存率有关［31］。RDW 也被认为是慢性心力衰竭急性失代偿期的标志物，是心肌梗死患者死亡率增加的指标［32，33］。在肝病患者中，RDW、RLR 和RPR 似乎 是相对未被调查的参数，较少的调查研究了RDW、RLR和RPR 对MAFLD 的 诊 断 作 用［34，35］。MichalakA等［36］发现RDW、RPR 和RLR 可能是MAFLD 的潜在生物标志物。然而，在本研究中，上述3 个指标都不是预测中重度MAFLD 的独立风险因素。

本研究有几点局限性。首先，本研究为单中心回顾性研究，样本量小，可能存在潜在的选择偏差。其次，肝活检仍然是NAFLD/MAFLD 诊断和分期的金标准，但未被本研究采用，考虑在本研究中进行肝活检是不现实的。

总之，本研究发现了中重度MAFLD 危险因素有UA 和FPG，并以此构建了风险预测模型，通过ROC 曲线、校准度、DCA、CIC 等验证是一个预测性能良好的模型，可于临床推广应用，优化脂肪变性发展的预测。本研究结果可提醒临床工作者，对于诊断有轻度MAFLD 的患者，更加需要定期监测UA 和FPG 水平的变化，一旦指标持续明显升高，更应及时进行临床干预，以便达到有效的治疗。

作者贡献度说明

张大涯：酝酿和设计实验，实施研究，采集数据，分析/解释数据，起草文章；陈世锔：酝酿和设计实验，实施研究，采集数据，统计分析；张晓冬、陈润祥：实施研究，分析/解释数据，统计分析；李达、黄士美、曾凡、陈晨：实施研究，采集数据，统计分析；白飞虎：对文章的知识性内容作批评性审阅，统计分析，指导，支持性贡献。

所有作者声明不存在利益冲突关系。