构建与验证基于机器学习模型用于识别既往日本血吸虫感染者的肝纤维化：迈向精准化疾病管理

血吸虫病是全球仅次于疟疾的第二大寄生虫病，中国流行的日本血吸虫感染可导致严重的肝脏损害。2023年我国全部流行县达到传播阻断标准，正向消除目标推进，本地新发血吸虫病已十分罕见。但既往感染者仍存在健康隐患：即便经吡喹酮规范治疗实现病原治愈，肝脏损伤也未必复原，部分人多年后仍可出现肝纤维化，甚至发展为晚期血吸虫病，约30%既往感染者会进展为重度肝纤维化。目前血吸虫病相关肝纤维化的临床诊断仍面临诸多挑战。肝活检虽是肝纤维化病理诊断的金标准，但具有侵入性，存在并发症风险，且操作要求较高，难以用于大规模筛查和动态监测；而天冬氨酸氨基转移酶与血小板比值指数（APRI）、肝纤维化 - 4 指数（FIB-4）等传统无创诊断指数主要基于病毒性肝炎等人群建立，在血吸虫病患者中诊断效能不佳；超声检查虽具有无创、便捷等优势，但其诊断结果在一定程度上受操作者经验和主观判断影响。因此，开发适用于血吸虫病人群、简便可靠的无创诊断工具，成为识别高风险患者、改善患者预后、减轻公共卫生负担的关键环节。

近日，江苏省血吸虫病防治研究所科研团队在国际期刊《Infectious Diseases of Poverty》（2025 IF = 7.4）发表题为“Development and validation of a machine learning—based model for identifying liver fibrosis in individuals with prior Schistosoma japonicum infection: a step toward precision management”的论著，该研究构建并验证机器学习模型用于识别既往日本血吸虫感染者的肝纤维化，为血吸虫病消除阶段肝损伤风险分层、早期干预与长期监测提供全新技术思路。

该研究依托建立于2017年的江苏省日本血吸虫既往感染者队列，纳入6158名已完成规范治疗的既往感染者，采用 LASSO 回归结合方差膨胀因子分析筛选建模变量，对 k 近邻、逻辑回归、支持向量机、决策树、极端梯度提升（XGBoost）5 种机器学习模型进行构建与评估。研究通过受试者工作特征曲线下面积（AUC）、决策曲线分析（DCA）、SHAP 可解释性分析，将各机器学习模型与APRI、FIB—4 无创诊断指数进行模型性能对比。

研究结果显示，在验证集中，XGBoost 模型诊断性能最优，AUC 达到 0.854（95% CI：0.8260.881），显著优于其余 4 种机器学习模型（AUC 区间 0.6090.776），同时大幅优于FIB4（AUC=0.514）与 APRI（AUC=0.516）（P＜0.001）。决策曲线分析证实，XGBoost 模型在宽泛的阈值概率范围内均可带来可观的临床净获益，临床实用价值突出。SHAP 可解释性分析提示，饮酒摄入（平均 SHAP 值 = 0.401）、γ谷氨酰转移酶（0.295）、甘油三酯（0.292）是影响肝纤维化风险预测最重要的变量。

该模型仅依托流行病学资料与常规实验室检测指标即可完成评估，无需额外特殊检测，适合基层医疗卫生机构开展筛查。借助该模型可实现感染者肝纤维化风险分层，高风险人群可进一步完善影像学或有创检查，低风险人群可采取随访观察，有助于减少不必要的侵入性检查，推动早期抗纤维化干预，为我国迈向血吸虫病消除阶段后既往感染人群的长期健康管理提供了新的技术路径。

江苏省血吸虫病防治研究所王涛为本文第一作者，杨坤研究员为本文的通讯作者。

原文链接：https://link.springer.com/article/10.1186/s40249-026-01485-y