שילוב ניתוח הרכב גוף ולמידת מכונה לזיהוי לא חודרני של מחלת כבד שומני מקושרת לדיספונקציה מטבולית: מחקר מבוסס בדיקות בריאות בקנה מידה גדול

מדוע שומן נסתר בכבד חשוב

רבים שמרגישים בריאים לחלוטין מפתחים במחתרת הצטברות שומן בכבד — מצב שכונה היום מחלת כבד שומני מקושרת לדיספונקציה מטבולית (MAFLD). היא קשורה קשר הדוק לעלייה במשקל, לרמות סוכר גבוהות בדם ולמחלות לב, אך לעתים קרובות נוטה להישמט בבדיקות שגרתיות כיוון שמדדים סטנדרטיים כמו משקל ובדיקות דם בסיסיות אינם חושפים במלואם מה קורה בתוך הגוף. במחקר זה נבדק האם סריקת הרכב גוף מהירה בשילוב אלגוריתמים מחשביים מודרניים יכולה לאיתות על סיכון זמן רב לפני הופעת נזק כבד חמור.

מבט פנימה בלי מחט

החוקרים השתמשו ברשומות של יותר מ‑23,000 מבוגרים בסין שעברו בדיקות בריאות שגרתיות בין השנים 2017 ל‑2021, וכן בקבוצה נוספת של כ‑3,300 נבדקים שבאו מאוחר יותר לאימות התוצאות. לכל אחד נעשו שני בדיקות מרכזיות: אולטרסאונד בטני לזיהוי שומן בכבד, וניתוח הרכב גוף באמצעות התנגדות ביואלקטרית (בדומה לאסקלת שירותים ששולחת זרם חשמלי חלש מאוד דרך הגוף). הסריקה הזאת מעריכה כמה שומן, שריר, עצם ומים הגוף מכיל, וכמה מהשומן נמצא עמוק בבטן כשתואר כשומן ויסראלי — הסוג שמקושר ביותר למחלות מטבוליות.

המרת מדידות גוף לאותות סיכון

מרשימת מדידות אפשריות ארוכה בחר הצוות 13 מדדים שניתן לאסוף ללא דקירת דם, כגון גיל, מין, היקף מותניים, מדד מסת גוף (BMI), סך המים בגוף ודירוג שומן ויסראלי. הם השתמשו בבדיקות סטטיסטיות כדי להסיר מדידות חופפות או מיותרות והסתמכו על שיטת פרשנות בשם SHAP כדי לזהות אילו תכונות נושאות את המידע הרב ביותר לגבי שומן כבד. בסופו של דבר נבחרו שישה מדדים שהיו גם אמינים וגם פרקטיים: דירוג שומן ויסראלי, היקף מותניים, משקל גוף, BMI, סך המים בגוף ואחוז המים החוץ‑תאיים (ECW%). משתנים אלה הוזנו לשמונה מודלים ממוחשבים שונים שאומנו להבדיל בין אנשים עם MAFLD לאלה ללא המחלה.

למידת מכונה שמזהה סיכון בדיוק גבוה

הצוות בנה והשווה מספר סוגי מודלים של למידת מכונה, כולל רגרסיה לוגיסטית פשוטה, מכונות תמיכה וקטוריות ושיטות מתוחכמות יותר מבוססות עצים כגון גרדיאנט בוסטינג ויער אקראי. בעזרת אימות צולב בעשרה חלקים בתוך מערך הנתונים הראשי, שיטות מבוססות העצים הביאו לביצועים הטובים ביותר בעקביות, עם שטחים מתחת לעקומת ROC (AUC) מעל 0.96. משמעות הדבר היא שהמודלים כמעט תמיד דירגו אדם עם MAFLD גבוה יותר מאדם ללא המחלה. כאשר המודלים נבדקו על קבוצת האימות של למעלה מ‑3,000 מטופלים שנבדקו מאוחר יותר, הביצועים נשארו חזקים מאוד, עם ערכי AUC שעדיין מעל 0.95 ודיוק וזכירה גבוהים. במונחים מעשיים, השילוב בין ניתוח הרכב גוף ולמידת מכונה היה יעיל בזיהוי נכון של אנשים עם כבד שומני תוך שמירה על שיעור התראות שווא נמוך יחסית.

התפקיד המיוחד של שומן בטן ונוזלי הגוף

בכל מודל ותת‑קבוצה — גברים ונשים, צעירים ומבוגרים, רזים וכבדים — דירוג השומן הויסראלי היה האות החזק ביותר ללדאות MAFLD. היקף המותניים ו‑BMI היו גם הם חשובים אך מימנויות מעט פחות מידע, מה שמדגיש שהמיקום שבו מאוחסן השומן חשוב יותר מכמות המשקל הכוללת. המחקר גם הדגיש את חשיבות איזון נוזלי הגוף. אחוז גבוה יותר של מים חוץ‑תאיים, שעשוי לשקף احتباس נוזלים עדין ודלקת, היה קשור לסיכוי גבוה יותר לכבד שומני, בעוד שסך המים בגוף הגבוה נטה להיות גורם מגן, אולי כסמן לשריר טוב יותר ולבריאות מטבולית כללית.

מה זה יכול לשנות בבדיקות שגרתיות

למטופלים, המסקנה היא שצעד קצר על מכשיר ניתוח הרכב גוף, בשילוב מודל למידת מכונה הפועל ברקע, יכול בעתיד להציע התרעה מוקדמת לגבי בריאות הכבד בלי מחטים, בלי קרינה ובהשוואה לסריקות יקרות. המחקר מציע שהתמקדות בשומן הבטן העמוק ובאיזון הנוזלים מספקת תמונה ברורה יותר של הסיכון המטבולי מאשר משקל או BMI בלבד. למרות שיש צורך במחקרים נוספים במדינות שונות ולמרווחי זמן ארוכים יותר, הגישה הזו מצביעה על עתיד שבו ביקורים שגרתיים אצל רופא מייצרים באופן שקט ציוני סיכון מותאמים אישית שיכולים לעזור לרופאים ולמטופלים לפעול נגד MAFLD לפני שהיא מתקדמת בשתיקה.

ציטוט: He, Y., Cao, Y., Chen, Z. et al. Integrating body composition analysis and machine learning for non-invasive identification of metabolic dysfunction-associated fatty liver disease: a large-scale health examination-based study. Sci Rep 16, 7038 (2026). https://doi.org/10.1038/s41598-026-37852-w

מילות מפתח: כבד שומני, שומן ויסראלי, הרכב גוף, למידת מכונה, סינון לא חודרני