Диагностика и градация стеатотической болезни печени по клиническим и лабораторным данным с помощью машинного обучения

Почему жировая болезнь печени важна для простых людей

Жировая болезнь печени незаметно стала одним из самых распространённых хронических заболеваний печени в мире, поражая примерно треть взрослых и даже многих людей, которые чувствуют себя полностью здоровыми. Если в печени накапливается слишком много жира и это не выявить на ранней стадии, состояние может постепенно перейти в рубцевание, печёночную недостаточность и даже рак печени. При этом лучшие доступные сегодня методы либо инвазивны, как биопсия иглой, либо требуют дорогого оборудования, которое отсутствует во многих клиниках. В этом исследовании изучается, могут ли простые рутинные анализы крови и антропометрические измерения вместе с современными компьютерными методами предложить более лёгкий способ выявления наличия жировой болезни печени и её степени тяжести.

Бессимптомное заболевание, которое может стать серьёзным

Стеатотическая болезнь печени, часто называемая жировой печенью, начинается с накопления жира внутри клеток печени. На ранней стадии это накопление (простая стеатоз) может не вызывать симптомов и часто обнаруживается случайно. Со временем жир может спровоцировать воспаление и повреждение печени, приводя к образованию рубцов (фиброзу), уплотнению ткани и в худших случаях — к циррозу и печёночной недостаточности. Поскольку ранние стадии бессимптомны, но обратимы, крайне важно выявить заболевание до развития выраженного рубцевания. Проблема в том, что многие широко используемые инструменты для оценки повреждения печени — например, специальные аппараты для ультразвука и основанные на крови шкалы — либо слишком дорогие, либо недоступны повсеместно, либо менее надёжны у людей с ожирением, которые и так входят в группу высокого риска.

Преобразование рутинных осмотров в тест на здоровье печени

Исследователи задавались вопросом, можно ли превратить повседневную клиническую информацию в эффективный скрининговый инструмент. Они использовали данные 210 взрослых пациентов, обратившихся в клинику заболеваний пищеварительной системы в Тегеране, Иран. Для каждого человека были собраны базовые измерения, такие как рост и вес, а также стандартные анализы крови: холестерин, триглицериды, уровень глюкозы в натощак, ферменты печени и маркёры, связанные с железом. Тяжесть накопления жира и степень рубцевания печени уже были измерены с помощью специализированного аппарата FibroScan, что позволило разделить участников на пять групп: от здоровой печени через лёгкую, умеренную и тяжёлую жировую инфильтрацию до продвинутого рубцевания. Эти группы служили «истинной меткой» для обучения и тестирования компьютерных моделей.

Увеличение данных и обучение моделей

Поскольку 210 пациентов — относительно небольшой объём для машинного обучения, команда сгенерировала дополнительные «синтетические» записи пациентов, добавив тщательно контролируемые случайные вариации в реальные данные. Они проверили, что эти имитированные записи сохраняют общие закономерности исходного набора, и расширили датасет до 1500 образцов. Затем протестировали восемь различных подходов машинного обучения, включая деревья решений, случайные леса, опорные векторные машины и нейронные сети, а также сочетания этих методов. Каждой модели было поручено предсказать, к какой из пяти групп по состоянию печени принадлежит человек, основываясь только на клинических и лабораторных данных. Результаты оценивались не только по общей точности, но и по тому, насколько редко модель ошибочно классифицировала больного как здорового — ключевой критерий для любого скринингового инструмента.

Нахождение немногих ключевых показателей

Некоторые модели, особенно гибридная комбинация опорных векторных машин и метода бустинга (SVM–XGBoost), достигли примерно 93% точности при использовании всех 26 доступных признаков. Чтобы сделать инструмент проще и удобнее, исследователи затем проанализировали, какие измерения вносят наибольший вклад в предсказания. Статистические методы сначала выделили восемь особенно важных признаков, включая индекс массы тела (ИМТ), триглицериды, уровень глюкозы в натощак, ферритин (белок для хранения железа), тромбоциты, щелочную фосфатазу, креатинин и показатель свёртываемости крови. Специалисты по заболеваниям печени затем пересмотрели эти результаты и выбрали четыре показателя, которые одновременно тесно связаны с биологией болезни и практичны в повседневной практике: ИМТ, триглицериды, глюкоза в натощак и ферритин. Примечательно, что при дообучении моделей только на этих четырёх входных данных они по-прежнему правильно классифицировали пациентов примерно в 70% случаев и до 76% при использовании лучшего метода.

Что это означает для пациентов и клиник

Главная мысль для непрофессионала в том, что несколько рутинных показателей из стандартного обследования — рост и вес для расчёта ИМТ, а также простые анализы крови на липиды, сахар и запасы железа — могут дать удивительно подробную картину состояния печени, если их интерпретируют хорошо спроектированные компьютерные модели. Эти инструменты не заменяют экспертную медицинскую оценку или специализированную визуализацию, когда она доступна, но они предлагают перспективный способ выявлять людей с повышенным риском, особенно в клиниках с ограниченными ресурсами и в регионах, где жировая болезнь печени распространена. Раннее выявление может стать стимулом к изменению образа жизни — похудению, более здоровому питанию и увеличению физической активности — что известно как положительно влияющее на здоровье печени. Исследование указывает на то, что в ближайшем будущем ваши обычные лабораторные результаты могут также служить системой раннего оповещения о тихом, но серьёзном заболевании.

Цитирование: Sadeghi, B., Zarrinbal, M., Poustchi, H. et al. Diagnosis and grading of steatotic liver disease via clinical and laboratory data using machine learning. Sci Rep 16, 6866 (2026). https://doi.org/10.1038/s41598-026-36834-2

Ключевые слова: жировая болезнь печени, машинное обучение, анализы крови, ИМТ и триглицериды, неинвазивная диагностика