Diagnos och gradering av steatotisk leversjukdom via kliniska och laboratoriedata med maskininlärning

Varför fettlever är viktigt för vanliga människor

Fettlever har tyst blivit ett av de vanligaste kroniska leverproblemen i världen och drabbar ungefär en tredjedel av vuxna, även många som känner sig helt friska. Om för mycket fett samlas i levern och inte upptäcks tidigt kan det långsamt leda till ärrbildning, leversvikt och till och med levercancer. De bästa testerna vi har i dag är antingen invasiva, som en nålbiopsi, eller bygger på dyra skanners som många kliniker saknar. Denna studie undersöker om enkla, rutinmässiga blodprover och kroppsmått, tillsammans med moderna datortekniker, kan erbjuda ett lättare sätt att upptäcka vem som har fettlever och hur långt sjukdomen har utvecklats.

En tyst sjukdom som kan bli allvarlig

Steatotisk leversjukdom, ofta kallad fettlever, börjar när fett ansamlas i levercellerna. I början kan denna uppbyggnad (enkel steatos) ge inga symtom och upptäcks ofta av en slump. Med tiden kan fettet dock trigga inflammation och skada i levern, vilket leder till ärrbildning (fibros), förhårdnad av vävnaden och i värsta fall cirros och leversvikt. Eftersom de tidiga stadierna är tysta men reversibla är det avgörande att upptäcka sjukdomen innan svår ärrbildning utvecklas. Problemet är att många vanliga verktyg för att gradera leverns skada—såsom särskilda ultraljudsmaskiner och blodbaserade poängsystem—antingen är för dyra, inte allmänt tillgängliga eller mindre tillförlitliga hos personer med fetma, som är bland dem med högst risk.

Förvandla rutinundersökningar till ett test för leverhälsa

Forskarna frågade sig om vardaglig klinisk information kunde omvandlas till ett kraftfullt screeningsverktyg. De använde journaler från 210 vuxna som besökte en mag- och tarmsjukdomsklinik i Teheran, Iran. För varje person samlade de grundläggande mått som längd och vikt samt standardblodprover som kolesterol, triglycerider, fasteglukos, leverenzym och järnrelaterade markörer. Svårighetsgraden av fettansamling och ärrbildning i levern hade redan mätts med en specialiserad enhet kallad FibroScan, vilket gjorde det möjligt för teamet att dela in deltagarna i fem grupper: från friska levervärden, via mild, måttlig och svår fettansamling, till de med avancerad ärrbildning. Dessa grupper användes som ”sann verklighet” för att träna och testa datorprogrammen.

Utökning av data och träning av maskinerna

Eftersom 210 patienter är ett relativt litet antal för maskininlärning skapade teamet ytterligare ”syntetiska” patientregister genom att lägga till noggrant kontrollerad slumpvariation i de verkliga uppgifterna. De kontrollerade att dessa simulerade poster fortfarande följde samma övergripande mönster som ursprungsdata och utökade sedan datasetet till 1 500 prov. Därefter testade de åtta olika maskininlärningsmetoder, inklusive beslutsträd, random forests, support vector machines och neurala nätverk, tillsammans med kombinationer av dessa metoder. Varje modell fick i uppgift att förutsäga vilken av de fem levergrupperna en person tillhörde, enbart baserat på kliniska och laboratoriedata. Prestanda bedömdes inte bara efter total noggrannhet, utan också efter hur sällan modellen felaktigt klassificerade en sjuk person som frisk—en kritisk fråga för varje screeningverktyg.

Hitta de få mått som betyder mest

Några av modellerna, särskilt en hybrid som kombinerade support vector machines med en boostingmetod (SVM–XGBoost), nådde omkring 93 % noggrannhet när alla 26 tillgängliga variabler användes. För att göra verktyget enklare och lättare att använda undersökte forskarna därefter vilka mätvärden som bidrog mest till förutsägelserna. Statistiska tekniker pekade först ut åtta särskilt viktiga variabler, inklusive kroppsmassindex (BMI), triglycerider, fasteblodsocker, ferritin (ett järnlagrande protein), trombocyter, alkalisk fosfatas, kreatinin och ett mått på blodets koagulation. Leverexperter granskade sedan dessa resultat och valde fyra mått som både starkt kopplades till sjukdomens biologi och var praktiska i vardagsvården: BMI, triglycerider, fasteblodsocker och ferritin. Anmärkningsvärt nog, när modellerna återtränades med endast dessa fyra indata, klassificerade de fortfarande patienter korrekt omkring 70 % av gångerna, och upp till 76 % med den bästa metoden.

Vad detta betyder för patienter och kliniker

För en lekmannaläsare är huvudbudskapet att ett fåtal rutinmässiga värden från en vanlig hälsokontroll—vikt och längd för BMI, tillsammans med enkla blodprov för fett, socker och järnförråd—kan ge en förvånansvärt detaljerad bild av leverhälsan när de tolkas av välutformade datormodeller. Dessa verktyg ersätter inte medicinsk expertbedömning eller specialiserad bilddiagnostik när sådan finns tillgänglig, men de erbjuder ett lovande sätt att identifiera personer i riskzonen, särskilt i kliniker med begränsade resurser och i regioner där fettlever är vanligt. Tidigare upptäckt kan leda till livsstilsförändringar, såsom viktminskning, hälsosammare kost och mer fysisk aktivitet, vilka är kända för att förbättra leverhälsan. Denna studie tyder på att dina vanliga laboratorieresultat inom en nära framtid kan fungera som ett tidigt varningssystem för en tyst men allvarlig sjukdom.

Citering: 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

Nyckelord: fettlever, maskininlärning, blodprov, BMI och triglycerider, icke-invasiv diagnos