Page 67 - 南京医科大学自然版

第44卷第8期 方泽桂，董 莉，史陆宸，等. aCHANGE模型：NAFLD人群显著肝纤维化风险的预测模型［J］.
2024年8月 南京医科大学学报（自然科学版），2024，44（8）：1092-1099 ·1095 ·

2.2 对研究变量进行多因素二元Logistic分析 2.3 预测列线图的建立
根据单因素分析及结合临床实际后，以性别、 本研究通过卡方检验及单因素分析初筛出14个
年龄、臀围、白细胞计数、铁蛋白、ALT、AST、ALP、 变量，使用逐步Logistic回归分析确定了7个关键变
GGT、尿酸、球蛋白、CALLY、CAR、CMI 等因素为自 量 。 这 些 变 量 被 用 于 构 建 预 测 模 型 ，称 之 为
变量，以NAFLD人群中是否存在显著肝纤维化为因 aCHANGE 模型（a：age；C：CMI；H：HIP；A：AST；N：
变量行二元Logistic回归分析（逐步回归，表2）。 ferritin；G：GGT；E：sex），旨在预测 NAFLD 患者出现

表2 NAFLD患者是否显著肝纤维化的多因素二元Logistic逐步回归分析结果
Table 2 Results of multivariable binary Logistic stepwise regression analysis for significant liver fibrosis in NAFLD patients

Variable B Standard error Walds P Exp（B） 95%CI
Age 0.029 0.005 39.16 <0.001 1.029 1.020-1.039
Sex（male） 0.624 0.153 16.66 <0.001 1.867 1.383-2.519
HIP 0.064 0.005 173.21 <0.001 1.067 1.056-1.077
Ferritin 0.001 0.000 3.99 <0.046 1.001 1.000-1.001
AST 0.035 0.007 26.25 <0.001 1.035 1.022-1.049
GGT 0.005 0.002 9.61 <0.002 1.005 1.002-1.008
CMI 0.137 0.058 5.59 <0.018 1.146 1.024-1.284

显著肝纤维化的风险。模型采用列线图表示（图1）， 中表现出良好的一致性（图 2A）。ROC 曲线分析显
其中首行“Points”用于估算各变量的风险分数，通过 示，模型的曲线下面积（area under curve，AUC）为
变量在“Points”量表上的垂直对应值读取得分，最终 0.775（图 3A），表明其具有良好的预测能力。在验
在“Total Points”行累加得出总分。根据总分，在底行 证集上，模型的校准曲线（图 2B）和 ROC 曲线（图
risk找到患者出现显著肝纤维化的风险百分比。 3B）的结果与训练集相似，进一步确认了模型在预
2.4 模型的验证 测NAFLD患者显著肝纤维化风险方面的有效性。
2.4.1 预测模型识别能力和准确性评估 2.4.2 预测模型的临床效能评估
对aCHANGE 模型进行校准曲线和受试者工作 通过决策曲线分析（decision curve analysis，DCA）
特征（receiver operating characteristic，ROC）曲线分 评估临床预测模型的实用性。结果显示，当阈值概
析以验证其准确性和鉴别力。校准曲线在训练集 率在 0~0.975 时，使用 aCHANGE 模型预测 NAFLD

0 1 2 3 4 5 6 7 8 9 10
Points
CMI
0 2 4 6 8 10 12 14 16 18
Age
15 25 35 45 55 65 75
Male
Sex
Female
HIP
80 90 100 110 120 130 140 150 160 170 180
AST
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140
GGT
0 50 100 150 200 250 300 350 400 450 500 550 600 650
Ferritin
0 400 800 1 200 1 600 2 000 2 400

Total Points
0 2 4 6 8 10 12 14 16 18
Linear predictor
-6 -5 -4 -3 -2 -1 0 1 2 3 4
Risk
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
图1 aCHANGE模型的列线图
Figure 1 Nomogram of the aCHANGE model