Integrering av kroppssammansättningsanalys och maskininlärning för icke-invasiv identifiering av metaboliskt dysfunktionsassocierad fettlever: en storskalig studie baserad på hälsoundersökningar

Varför dold leverfett är viktigt

Många som känner sig helt friska utvecklar i tysthet fettansamling i levern, ett tillstånd som numera kallas metaboliskt dysfunktionsassocierad fettlever (MAFLD). Det hänger tätt ihop med viktökning, förhöjt blodsocker och hjärtsjukdom, men upptäcks ofta inte vid rutinundersökningar eftersom vanliga mått som kroppsvikt och enkla blodprov inte fullt ut visar vad som händer i kroppen. Denna studie undersöker om en snabb kroppssammansättningsscanning i kombination med moderna datoralgoritmer kan identifiera dem i riskzonen långt innan allvarliga leverskador uppstår.

Se in i kroppen utan nålar

Forskarlaget använde journaler från mer än 23 000 vuxna i Kina som genomgick regelbundna hälsoundersökningar mellan 2017 och 2021, samt ytterligare 3 300 personer undersökta senare för att dubbelkolla resultaten. Alla genomgick två nyckeltester: en bukultraljudsundersökning för att se om levern innehöll fett, och en kroppssammansättningsanalys med bioelektrisk impedans, en vage-liknande apparat som skickar en mycket svag ström genom kroppen. Denna scanning uppskattar hur mycket fett, muskler, ben och vatten en person har, och hur mycket av fettvolymen som ligger djupt i buken som visceralt fett — den typ som starkast kopplas till metabol sjukdom.

Omsätta kroppsmått till riskindikatorer

Av en lång lista möjliga mätvärden fokuserade teamet på 13 som kan samlas in utan blodprov, såsom ålder, kön, midjemått, body mass index (BMI), total kroppsvätska och en visceralt fettrating. De använde statistiska kontroller för att ta bort överlappande eller redundanta mått och förlitade sig på en tolkningsmetod kallad SHAP för att se vilka egenskaper som bar mest information om leverfett. I slutändan framstod sex mätvärden som både tillförlitliga och praktiska: visceralt fettrating, midjeomfång, kroppsvikt, BMI, total kroppsvattenmängd och andelen vätska utanför cellerna (extracellulär vattenprocent). Dessa variabler blev indata för åtta olika datormodeller som tränades för att särskilja personer med MAFLD från dem utan sjukdomen.

Maskininlärning som upptäcker risk med hög noggrannhet

Laget byggde och jämförde flera typer av maskininlärningsmodeller, inklusive enkel logistisk regression, support vector machines och mer avancerade träd-baserade metoder som gradient boosting och random forests. Med hjälp av tiodubbel korsvalidering i huvuddatauppsättningen stod de träd-baserade modellerna konsekvent som vinnare och nådde area under ROC-kurvan (AUC) över 0,96. Det innebär att modellerna nästan alltid gav en person med MAFLD ett högre poäng än en person utan tillståndet. När forskarna testade modellerna på den separata gruppen om mer än 3 000 senare patienter höll prestandan sig också mycket stark, med AUC-värden fortfarande över 0,95 samt hög noggrannhet och återkallning. I praktiska termer var den kombinerade kroppssammansättnings- och maskininlärningsmetoden mycket bra på att korrekt identifiera personer med fettlever samtidigt som antalet falska alarm förblev relativt lågt.

Bukfettets och kroppsvätskans särskilda roll

I samtliga modeller och undergrupper — män och kvinnor, yngre och äldre vuxna, smala och tyngre personer — var visceralt fettrating det enskilt mest kraftfulla tecknet på MAFLD. Midjeomfång och BMI var också viktiga men något mindre informativa, vilket understryker att var fettet lagras är viktigare än hur mycket en person väger i stort. Studien lyfte också fram betydelsen av kroppsvätskebalans. En högre andel extracellulärt vatten, vilket kan spegla subtil vätskeansamling och inflammation, var kopplat till högre sannolikhet för fettlever, medan högre total kroppsvattenmängd tenderade att vara skyddande, vilket möjligen indikerar bättre muskelmassa och övergripande metabol hälsa.

Vad detta kan innebära för vardagliga hälsokontroller

För patienter är slutsatsen att ett snabbt steg på en kroppssammansättningsapparat, i kombination med en bakomliggande maskininlärningsmodell, en dag kan ge en tidig varning om leverhälsan utan nålar, strålning eller dyra avbildningar. Studien antyder att fokus på djupt bukfett och vätskebalans ger en klarare bild av metabol risk än vikt eller BMI ensam. Även om mer forskning behövs i andra länder och över längre tidsperspektiv, pekar denna metod mot en framtid där rutinbesök tyst genererar kraftfulla, personliga riskscore som hjälper läkare och patienter att agera mot MAFLD innan det tyst fortskrider.

Citering: 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

Nyckelord: fettlever, visceralt fett, kroppssammansättning, maskininlärning, icke-invasiv screening