中国研究人员的一项新研究表明，将八项简单的临床和实验室标志物输入逻辑回归模型，可以可靠地预测代谢功能障碍相关脂肪性肝病（MASLD）患者是否也可能患有阻塞性睡眠呼吸暂停（OSA）。这一发现可以帮助临床医生识别出哪些高风险MASLD患者将从睡眠检测中获益，而无需对所有患者进行昂贵或耗时的筛查。
研究发现
这项多中心回顾性研究发表在《BMC内分泌疾病》上，纳入了中国两家医院的510名患者。开发队列由来自长治市和平医院的310名患者组成，外部验证队列则由来自铜陵市人民医院的200名患者组成。所有患者均确诊为MASLD，并接受了多导睡眠监测（诊断OSA的金标准）。
研究人员比较了七种机器学习模型：逻辑回归、决策树、随机森林、支持向量机、人工神经网络、XGBoost和LightGBM。逻辑回归表现最佳，在区分能力（区分OSA与非OSA病例的能力）、可解释性（临床医生理解模型推理的难易程度）、校准度（预测概率与实际结果的一致性）和外部稳定性（模型对新患者群体的泛化能力）之间取得了最强平衡。
最终模型使用了八项易于获取的预测因子：性别、身体质量指数（BMI）、高血压病史、2型糖尿病（T2DM）、丙氨酸氨基转移酶（ALT）、γ-谷氨酰转移酶（GGT）、中性粒细胞与淋巴细胞比值（NLR）和甘油三酯-葡萄糖（TyG）指数。根据这些输入，模型生成个体化风险评分。研究人员将其转化为列线图，这是一种可视化工具，让临床医生可以绘制患者数值并直接读取OSA的预测概率，无需运行任何软件。
为何重要
MASLD（以前称为非酒精性脂肪性肝病（NAFLD））影响着全球约四分之一的成年人。它与肥胖、胰岛素抵抗和代谢综合征密切相关。以睡眠期间上气道反复塌陷为特征的阻塞性睡眠呼吸暂停在该人群中也非常常见。研究表明，40%至70%的MASLD患者患有未确诊的OSA。
两种疾病之间的联系不仅限于共同的风险因素。这两种疾病都由重叠的代谢和炎症机制驱动。间歇性低氧（OSA的标志性特征，即血氧反复下降）会引发氧化应激和全身性炎症，从而加速MASLD患者的肝纤维化。相反，MASLD的炎症环境可能通过对气道张力和中枢呼吸控制的影响而加重睡眠呼吸障碍。治疗一种疾病可能会改善另一种疾病，但前提是两者都得到诊断。
尽管存在这种双向关系，OSA在MASLD患者中仍被严重低估。多导睡眠监测费用昂贵、不便，而且在睡眠中心往往难以获得。能够标记哪些患者需要睡眠研究的临床预测工具可以简化诊断流程、降低医疗成本，并改善这一庞大且不断增长的患者群体的预后。
研究结果还突显了预测因子中的一个显著模式。中性粒细胞与淋巴细胞比值和TyG指数（胰岛素抵抗的替代指标）等炎症标志物被证明是强有力的预测因子，这进一步证实了代谢性炎症在连接MASLD和OSA中的核心作用。这表明预测模型不仅是一种统计拟合，而且反映了真实的病理生理学。
局限性
这项研究存在重要局限性。其回顾性设计意味着无法排除选择偏倚和未测量的混杂因素。所有患者均来自中国的两家医院，该模型在其他种族群体或医疗环境中的表现仍属未知。研究人群主要为中年和超重者，因此对更年轻、更瘦或更多样化的MASLD患者的普适性尚不确定。
研究人员指出，未来研究应在更大、更多样化的队列中前瞻性测试该模型，并考虑添加炎症细胞因子或多导睡眠监测衍生变量等生物标志物，以进一步提高准确性。在饮食模式、遗传背景和医疗体系不同的西方人群中进行外部验证将尤其有价值。
要点总结
对于管理MASLD患者的临床医生来说，这项研究提供了一种实用的数据驱动方法，可以在不增加成本或复杂性的情况下评估OSA风险。这八项预测因子都是常规临床护理的一部分。性别、BMI和血压在每次就诊时都会收集。ALT、GGT和空腹血糖（用于计算TyG指数）是标准实验室检查。中性粒细胞与淋巴细胞比值来自全血细胞计数（几乎普遍进行）。印在卡片上或显示在电子病历中的列线图可以在不到一分钟的时间内为临床医生提供OSA概率的合理估计。
对于患者而言，结论同样直接。如果您患有MASLD并具有该模型中指出的任何风险因素，特别是肥胖、高血压或糖尿病，那么值得与医生讨论进行睡眠评估。未经治疗的OSA不仅仅是扰乱睡眠。它会加重肝脏炎症、加速纤维化并增加心血管风险。及早发现可以改变两种疾病的管理方式。
对于研究人员而言，这项研究为越来越多的证据增添了新的内容：机器学习并不需要复杂才能有用。在这次直接比较中，最简单的模型胜过了神经网络和梯度提升集成模型，同时保持了足够的透明度，让临床医生能够理解和信任。简单性和性能的这种结合正是临床采用所需要的。
Source
Gao Q， et al. Machine learning-assisted prediction of obstructive sleep apnea in patients with metabolic dysfunction-associated steatotic liver disease: a multicenter study with external validation. BMC Endocrine Disorders. 2026. DOI: 10.1186/s12902-026-02391-y. PMID: 42399746.
婷 翻译