Life’s Crucial 9 与非酒精性脂肪性肝病：从关联研究到机器学习预测

为探究 Life’s Crucial 9（LC9）与非酒精性脂肪性肝病（NAFLD）关联及预测价值，研究发现 LC9 可降低 NAFLD 风险及患者全因死亡率。

　　非酒精性脂肪性肝病（NAFLD），就像肝脏里的 “小麻烦”，是全球最常见的慢性肝病。它就像一个隐藏在身体里的 “定时炸弹”，和心血管疾病（CVD）有着千丝万缕的联系，肥胖、血脂异常、胰岛素抵抗等都是它们共同的 “帮凶” 。以往评估心血管健康（CVH）的指标，像 Life’s Simple 7（LS7）和 Life’s Essential 8（LE8），已经被广泛研究和大家熟知，它们和 NAFLD 之间的关系也逐渐清晰。然而，新提出的 Life’s Crucial 9（LC9），这个把心理健康也纳入其中的综合评估指标，却还没人研究过它和 NAFLD 之间有什么联系，也不知道它对 NAFLD 的预测价值怎么样。为了填补这些知识的空白，吉林大学第一医院等机构的研究人员开展了相关研究，研究成果发表在《Scientific Reports》上。

研究人员利用美国国家健康与营养检查调查（NHANES）2007 - 2018 年的数据进行分析。在数据处理过程中，运用了多种统计学方法和机器学习技术。通过加权逻辑回归评估 LC9 与 NAFLD 的关联，加权 Cox 比例风险模型探究 LC9 与 NAFLD 患者全因死亡率的关系。还用限制立方样条（RCS）分析剂量反应关系，Kaplan - Meier 生存曲线比较生存结果差异。在构建预测模型时，使用 Boruta 算法筛选变量，运用 8 种机器学习算法（如极端梯度提升（XGBoost）、决策树（DT）等）训练模型，并通过 10 折交叉验证评估模型性能，最后用 Shapley 加性解释（SHAP）算法解读模型。

研究结果如下：

• 基线特征：对比 4681 名 NAFLD 患者和 5516 名非 NAFLD 对照者的基线特征，发现 NAFLD 患者往往年龄更大、男性居多、多为墨西哥裔美国人、教育程度较低、未婚比例更高。实验室指标显示，他们的白蛋白（Alb）和总胆红素（TB）水平较低，而碱性磷酸酶（ALP）、γ - 谷氨酰转移酶（GGT）等指标较高。而且，NAFLD 患者的 LC9 得分更低，大多处于 LC9 得分四分位数（Q1 - Q4）的第一四分位数（Q1）。
• LC9 对 NAFLD 和全因死亡率的影响：加权逻辑回归分析表明，LC9 得分与 NAFLD 风险呈显著负相关。在完全调整模型（模型 3）中，LC9 得分每增加 10 分，NAFLD 风险降低 61%（OR = 0.39，95% CI = 0.36 - 0.42，P < 0.001） 。LC9 得分四分位数越高，NAFLD 风险越低。在 NAFLD 患者全因死亡率方面，经过中位随访 6.70 年，模型 3 显示 LC9 得分每增加 10 分，全因死亡率降低 22%（HR = 0.78，95% CI = 0.67 - 0.91，P < 0.001） 。虽然 LC9 得分四分位数增加时，全因死亡率风险趋势不显著，但高 LC9 得分组的全因死亡率明显低于低 LC9 得分组。
• 剂量 - 反应关系和敏感性分析：RCS 曲线分析显示，LC9 得分与 NAFLD 呈显著非线性关系，存在一个断点 60.11，LC9 得分超过该阈值时，其增加对降低 NAFLD 风险的作用更明显。而 LC9 得分与 NAFLD 患者全因死亡率无显著非线性关系。亚组分析发现，LC9 与 NAFLD 的负相关在各亚组中都一致，但 LC9 与家庭收入与贫困比（PIR）、种族和民族存在交互作用，在 PIR > 3.0 和其他种族的参与者中，这种关联更显著。敏感性分析也证实了 LC9 与 NAFLD 关联的稳定性。
• 变量选择和模型开发评估：通过 Boruta 算法筛选出 15 个有效预测变量，包括 LC9、年龄、性别等。8 种机器学习模型中，支持向量机（SVM）模型在训练集（AUROC = 0.873）和测试集（AUROC = 0.868）的预测性能最佳。
• 特征重要性可视化：SHAP 算法分析显示，在 SVM 模型中，LC9 的平均绝对 SHAP 值最高，是预测 NAFLD 最重要的风险因素。LC9 得分增加与 SHAP 值降低呈线性关系。

研究结论和讨论部分指出，该研究首次证实了 LC9 与 NAFLD 以及 NAFLD 患者全因死亡率之间的关系，并基于 LC9 构建了预测模型。这一模型准确性高，对个体 NAFLD 风险评估有重要临床价值，能帮助患者通过改变生活方式进行自我干预，延缓疾病进展。不过，研究也存在一些局限性，比如无法确定 LC9 与 NAFLD 的因果关系，可能存在未排除的混杂因素，健康行为指标存在测量误差，模型未在其他人群中外部验证等。未来还需要大规模、前瞻性、多中心队列研究或孟德尔随机化方法进一步验证，同时也需要在不同人群中对机器学习模型进行外部验证和优化，以提高其预测准确性和临床实用性。