Integrazione dell’analisi della composizione corporea e apprendimento automatico per l’identificazione non invasiva della steatosi epatica associata a disfunzione metabolica: uno studio su larga scala basato su esami di salute

Perché il grasso nascosto nel fegato conta

Molte persone che si sentono perfettamente in salute stanno silenziosamente accumulando grasso nel fegato, una condizione oggi definita steatosi epatica associata a disfunzione metabolica (MAFLD). È strettamente collegata all’aumento di peso, alla glicemia elevata e alle malattie cardiache, ma spesso passa inosservata durante i controlli di routine perché misure standard come il peso e gli esami del sangue di base non rivelano completamente cosa stia accadendo all’interno del corpo. Questo studio esplora se una rapida scansione della composizione corporea combinata con moderni algoritmi informatici possa segnalare i soggetti a rischio molto prima che si verifichino danni epatici gravi.

Osservare l’interno del corpo senza aghi

I ricercatori hanno utilizzato i registri di oltre 23.000 adulti in Cina sottoposti a esami sanitari regolari tra il 2017 e il 2021, più un gruppo aggiuntivo di 3.300 persone esaminate successivamente per convalidare i risultati. Tutti hanno effettuato due test chiave: un’ecografia addominale per verificare la presenza di grasso nel fegato e un’analisi della composizione corporea mediante impedenziometria bioelettrica, un dispositivo simile a una bilancia da bagno che invia una corrente molto debole attraverso il corpo. Questa scansione stima quanto grasso, muscolo, osso e acqua una persona ha, e quanto di quel grasso è localizzato profondamente nell’addome come grasso viscerale, il tipo maggiormente associato alle malattie metaboliche.

Trasformare le misure corporee in segnali di rischio

Da una lunga lista di possibili misurazioni, il team si è concentrato su 13 che possono essere raccolte senza prelievo di sangue, come età, sesso, circonferenza vita, indice di massa corporea (IMC), acqua corporea totale e una valutazione del grasso viscerale. Hanno poi utilizzato controlli statistici per rimuovere misure sovrapposte o ridondanti e si sono affidati a un metodo di interpretabilità chiamato SHAP per vedere quali caratteristiche portassero maggior informazione sul grasso epatico. Alla fine, sei misure si sono distinte per essere sia affidabili sia pratiche: valutazione del grasso viscerale, circonferenza vita, peso corporeo, IMC, acqua corporea totale e la percentuale di liquido extracellulare. Queste variabili sono diventate gli input per otto diversi modelli informatici addestrati a distinguere le persone con MAFLD da quelle senza.

Apprendimento automatico che individua il rischio con alta precisione

Il team ha costruito e confrontato diversi tipi di modelli di apprendimento automatico, inclusa la regressione logistica semplice, le macchine a vettori di supporto e metodi basati su alberi più avanzati come il gradient boosting e le foreste casuali. Utilizzando una validazione incrociata a dieci fold all’interno del dataset principale, i modelli basati su alberi sono risultati costantemente i migliori, raggiungendo aree sotto la curva caratteristica di funzionamento del ricevitore (AUC) superiori a 0,96. Ciò significa che i modelli quasi sempre classificavano una persona con MAFLD con un punteggio più alto rispetto a una senza. Quando i ricercatori hanno testato questi modelli sul gruppo separato di oltre 3.000 pazienti esaminati successivamente, le prestazioni sono rimaste molto solide, con valori AUC ancora superiori a 0,95 e elevata accuratezza e richiamo. In termini pratici, l’approccio combinato di composizione corporea e apprendimento automatico è stato molto efficace nel segnalare correttamente le persone con fegato grasso mantenendo relativamente bassi i falsi allarmi.

Il ruolo particolare del grasso addominale e dei fluidi corporei

In ogni modello e sottogruppo—uomini e donne, adulti più giovani e più anziani, persone magre e più robuste—la valutazione del grasso viscerale è stata il singolo segnale più potente di MAFLD. La circonferenza vita e l’IMC sono stati anch’essi importanti ma leggermente meno informativi, sottolineando che dove il grasso è immagazzinato conta più di quanto una persona pesi complessivamente. Lo studio ha inoltre evidenziato l’importanza dell’equilibrio dei fluidi corporei. Una maggiore percentuale di acqua extracellulare, che può riflettere una lieve ritenzione di liquidi e infiammazione, è stata associata a una maggiore probabilità di fegato grasso, mentre una maggiore acqua corporea totale tendeva a essere protettiva, forse indicando una migliore massa muscolare e salute metabolica complessiva.

Che cosa potrebbe significare per i controlli di tutti i giorni

Per i pazienti, la conclusione è che un rapido passaggio su un dispositivo di composizione corporea, combinato con un modello di apprendimento automatico eseguito in background, potrebbe un giorno fornire un allarme precoce sulla salute del fegato senza aghi, radiazioni o esami costosi. Lo studio suggerisce che concentrarsi sul grasso profondo dell’addome e sull’equilibrio dei fluidi offre un quadro più chiaro del rischio metabolico rispetto al solo peso o all’IMC. Pur richiedendo ulteriori ricerche in diversi paesi e su orizzonti temporali più lunghi, questo approccio indica una possibile futura realtà in cui le visite di routine generano silenziosamente punteggi di rischio personalizzati e potenti che aiutano medici e pazienti ad intervenire sulla MAFLD prima che progredisca in modo silenzioso.

Citazione: 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

Parole chiave: fegato grasso, grasso viscerale, composizione corporea, apprendimento automatico, screening non invasivo