IA, BIA e MAFLD

La steatosi epatica associata a disfunzione metabolica (MAFLD) è una condizione sempre più diffusa, strettamente legata a obesità, insulino-resistenza e sindrome metabolica, ma spesso sottodiagnosticata durante i controlli di routine.

Un ampio studio condotto in Cina suggerisce che l’integrazione tra analisi della composizione corporea e apprendimento automatico potrebbe rappresentare una strategia efficace e scalabile per l’identificazione precoce della malattia.

Lo studio

Lo studio, retrospettivo su larga scala, ha analizzato i dati di 23.348 adulti sottoposti a esami sanitari tra il 2017 e il 2021 presso un ospedale. La composizione corporea è stata valutata mediante bioimpedenziometria (BIA), mentre la diagnosi di MAFLD si è basata sulla presenza di steatosi epatica associata a criteri di rischio metabolico.

Sono state inizialmente considerate 13 variabili, comprendenti parametri di composizione corporea e dati demografici.

Otto modelli di machine learning sono stati sviluppati e testati con validazione incrociata, e successivamente valutati in una coorte di validazione esterna indipendente di 3.357 soggetti (2022–2023).

Risultati principali

I modelli basati su algoritmi ad albero – in particolare Extreme Gradient Boosting, Gradient Boosting Decision Tree e LightGBM – hanno mostrato le migliori performance diagnostiche, con:

• AUC >0,96 nella validazione interna
• AUC >0,95 nella validazione esterna

Tra tutte le variabili analizzate, la quantificazione del grasso viscerale è risultata il predittore più potente di MAFLD, seguita da:

• circonferenza vita
• indice di massa corporea (BMI)

L’analisi mediante regressione logistica ha confermato l’associazione indipendente di questi parametri con la MAFLD, anche dopo l’aggiustamento per i principali fattori confondenti.

Le analisi stratificate per sesso, età e BMI hanno evidenziato alcune differenze nei pattern di rischio, ma il grasso viscerale si è dimostrato un predittore robusto in tutti i sottogruppi, rafforzandone il valore clinico.

Significato clinico

I risultati indicano che la valutazione non invasiva del grasso viscerale, integrata con modelli di intelligenza artificiale, offre un’elevata capacità discriminativa per la diagnosi di MAFLD. Questo approccio potrebbe:

• migliorare lo screening precoce nei check-up di routine
• ridurre la dipendenza da esami invasivi o costosi
• supportare strategie di prevenzione e intervento precoce in popolazioni ad alto rischio

L’integrazione tra composizione corporea e machine learning emerge quindi come uno strumento promettente per la gestione clinica e la sorveglianza epidemiologica della MAFLD, con potenziali applicazioni sia in ambito clinico sia di sanità pubblica.