结合常见临床标志物预测肝病风险:来自常规健康检查的筛查模型

抽象的

背景．早期发现对自身免疫性肝病(AILD)患者的预后至关重要。由于AILD的发病率相对较低，开发AILD的筛查工具仍然是一个挑战。目标．分析AILD患者初发时的临床特征，确定临床标志物，为疾病筛查和早期发现提供依据。方法．采用观察性回顾性研究方法，对581例消化科住院的AILD患者和1000例健康对照者进行分析。初始呈现时的基线特征被用来建立回归模型。该模型在56例AILD患者和100例其他肝脏疾病患者的独立队列中得到验证。结果．健康体检发现的无症状AILD患者逐年增加(从31.6%增加到68.0%， )．在过去的18年里，初次发病的肝硬化率下降了(从52.6%下降到20.0%， )．健康检查中常见的8项指标是AILD的独立危险因素。其中，腹部淋巴结肿大(LN)阳性差异最显著(OR 8.85, 95% CI 2.73 ~ 28.69， )．这些指标的组合显示出高预测力量（，敏感性89.0%，特异性96.4%)。除两种肝脏或胆道损伤致者外，年龄、性别、GLB、LN、合并肝外自身免疫性疾病和家族病史对其他肝脏疾病的AILD也具有很高的预测能力( )．结论．利用所述参数对AILD进行筛查，可在常规健康检查中及早、有效、经济地发现AILD。常规健康检查中有8个变量与AILD相关，它们的组合显示出识别高危个体的良好能力。

1.介绍

自身免疫性肝病(AILD)是青少年慢性肝病的第二大病因。自身免疫性肝炎(AIH)、原发性胆管炎(PBC)、原发性硬化性胆管炎(PSC)、PBC-AIH和PSC-AIH重叠综合征(OS)等多种形式具有共同的免疫学特征，并根据免疫学标志物和组织学诊断[1- - - - - -4］．根据患者表现年龄的不同，AILD的表现和病程有显著差异。以往的研究表明，超过三分之一的AILD患者最初表现为肝硬化，在PBC-AIH OS中甚至更高[5- - - - - -8］．因此，有必要开发一种简单可靠的预后方法，用于早期识别AILD高风险患者，帮助指导临床医生在初级和二级医疗系统中以最大的成本效益识别潜在AILD患者。

据报道，初步介绍的肝硬化患者的肝硬化患者比没有肝硬化的患者显着降低了10年的存活率（61.9％vs.9.0％）[9］．AILD患者的预后和生存时间在很大程度上取决于肝硬化的发展及并发症[10，11］．建立实用的方法在肝硬化发展前识别AILD的高危人群，对改善AILD患者的预后至关重要。

在我们之前的研究中，我们观察到常规健康检查中一些标志物的异常，包括血清生化检查、自身免疫性疾病家族史和腹部淋巴结肿大(LN) [12，可能有助于预测高危人群。其他研究表明血清γ-球蛋白和LN超声异常与AILD相关[13，14］．此外，约有20-50%的AILD患者有其他自身免疫性疾病病史[15，16]， 10-40%的患者一级亲属有自身免疫性疾病[17，18］．然而，在临床实践中缺乏对常见临床变量的评价作为主要筛查工具。为从常规健康检查中检测AILD风险，分析初始表现时的临床特征，选择健康检查中可用的指标。利用这些常用的健康检查指标，建立临床早期AILD风险预测的计算模型。

2.材料和方法

2.1。研究设计和参与者

本研究是2001年1月至2017年12月在一个单中心住院的602例患者的回顾性长期队列研究，包括173例AIH患者、330例PBC患者、78例PBC-AIH OS患者、19例PSC患者和2例Ig4相关肝病患者。所有研究参与者均获得知情的书面同意。所有入院的患者均符合AIH (v.1999)、PBC (v.2009)和“巴黎标准”(v.1998)的诊断标准(补充材料-参与者(可用)在这里))。此外，健康管理中心的1000人被纳入健康对照组。

我们招募了肝功能试验（LFTS）异常的个体队列作为验证队列，包括56名患者和100名非艾氏肝病病例，包括病毒性肝炎，酒精性肝病，药物引入肝损伤，非酒精性脂肪肝病，且模糊的肝损伤（补充表1)．2018年，AILD患者和非AILD肝病均持续确诊。纳入标准、排除标准及研究设计见附图1．

2．2.数据收集

AILD患者的人口学、临床、实验室、CT、超声影像资料均来源于天津医科大学总医院的患者临床记录(补充表)2)．来自AILD患者和健康对照组病历的数据包括年龄、性别、血清生化指标(TP、ALB、GLB、ALT、AST、ALP、GGT、TBIL、DBIL)、LN、合并肝外自身免疫性疾病(CEAID)和自身免疫性疾病家族史(FA)。通过电话随访记录FA和CEAID，通过CT图像或肝活检确定肝硬化，通过腹部超声诊断LN [19］．FA被鉴定为至少一种与至少一种自身免疫疾病的一定程度相对，包括Aild，自身免疫性甲状腺疾病，Sjögren的综合征和类风湿性关节炎。Ceaid被定义为患者被诊断患者患有枯萎和脱胸部自身免疫疾病，细节显示在补充表中3.．根据Soresi等人识别LN，以下标准。被应用：一种或多种卵形形状的质量和较小的喉部，通过透明切割在重复的横向，矢状和斜扫描中与相邻的器官和血管分离出来[19］．调查站点包括门静脉，肝动脉，乳糜泻，优质肠系膜静脉和胰腺的躯干区域。超声波由相同的消化专家运营商进行，他没有意识到临床，生化和组织学数据。研究方案遵守赫尔辛基的宣言，并受天津医科大学综合医院制度伦理委员会批准的。

2．3.预测变量的选择

为了选择AILD相关变量进行进一步分析，我们对AILD队列中的14个指标进行了相关性分析，保留了年龄、性别、谷丙转氨酶(ALT)、谷丙转氨酶(GGT)、LN、CEAID、FA等非相关变量进行进一步分析(补充表)4)．我们测试了这些变量，以确定由最初诊断年份引起的潜在批效应。采用单变量logistic回归分析确定各变量之间的相关性，发现有8个变量显著，并选择用于构建aild风险模型(补充材料-选择变量)。AILD患者与健康对照组变量比较见表1．


特性	所有患者( ）	HC ( ）	统计值	价值

性别(女性/男性)	501/80	397/385	143.09	< 0.001
年龄、y(范围)	59（16-88）	51（38-60）	9.47	< 0.001
生化参数
TP (g/L)	76年(69 - 82)	74年(71 - 77)	3.01	0.003
铝青铜(g / L)	39 (34-43)	47（45-48）	17.57	< 0.001
GLB (g / L)	37 (32-42)	28日(25 - 30)	18.33	< 0.001
ALT (IU / L)	73 (41 - 159)	17日(12 - 24)	20.69	< 0.001
AST (IU / L)	76.9 (47 - 145)	18 (16 - 22)	23.02	< 0.001
高山(IU / L)	179年(115 - 328)	62 (52 - 74)	22.09	< 0.001
GGT (IU/L)	191年(98 - 370)	21日(15 - 29)	21.92	< 0.001
治疗组(μ摩尔/升)	19.6 (12.8 - -42.5)	10.9 (8.3 - -14.0)	14.50	< 0.001
DBIL (μ摩尔/升)	7.6 (4.4 - -22.33)	4.0 (3.3 - -4.9)	13.46	< 0.001
LN (%)	226 (38.9)	26日(3.3)	195.00	< 0.001
Ceaid（％）	257 (44.2)	39 (5.0)	167.19	< 0.001
FA (%)	50（8.6）	15 (1.9)	205.38	< 0.001

统计量通过卡方检验(χ ²）在分类变量和Mann-Whitney数值变量测试。缩写词:TP:总蛋白;铝青铜:白蛋白;GLB:球蛋白;ALT:丙氨酸转氨酶;AST:天冬氨酸转氨酶;高山:碱性磷酸酶;GGT: gamma-glutamyl转肽酶;治疗组:总胆红素;DBIL:直接胆红素; LN: abdominal lymph node enlargement (B-mode ultrasound); CEAID: current extrahepatic autoimmune diseases; FA: familial autoimmunity.

2．4．构建和模型验证

在不完整的数据过滤后，我们包括438名患者的Aild和782次进行模型建设。将所有患者和对照随机分为培训组（75％的数据）和测试组（剩下25％的数据）。使用Logistic回归和分类和回归树（推车）培训模型，优化在训练集上的3个10倍交叉验证的3个重复执行。使用学习曲线评估模型收敛和培训（补充图2)．建立第一个共8个协变量的logistic回归模型(模型1)后，将肝脏和胆道损伤的两个标志物(ALT和GGT)排除，以便更好地分离AILD患者和其他LFTs异常病例。我们用剩下的6个变量(AGE, GEN, GLB, LN, CEAID, FA)训练logistic回归模型(模型2)和CART模型。CART模型参数的详细信息见补充材料-分类与回归树[20.］．

计算实验组和外部验证组(AILD 56例，LFTs异常对照组100例)模型的预测能力。通过受试者工作特征(receiver operating characteristic, ROC)、曲线下面积(area under The curve, AUC)、准确性、敏感性和特异性评价模型的预测能力。

2．5．统计分析

我们报告了分类变量的频率(百分比)和连续变量的中位数(范围)。我们用了卡方检验和曼-惠特尼检验分别测试分类和连续变量的比较。在补充材料描述性分析中描述了统计方法中的更多细节。

相关性分析和单变量logistic分析采用SPSS (version 23.0, IBM, USA)。多元logistic回归模型和CART模型在R软件(版本3.4.3.)中建立和验证，使用插入包[21，22］．统计检验被认为在．

3.结果

3．1.研究队列和基线特征

我们研究了2001年1月至2017年12月期间住院的581例AILD患者，有3个主要亚型:173例AIH, 330例PBC, 78例AIH-PBC OS。新增AILD患者逐年增加，由2001年的3例增至2017年的83例(附图)3.)．辅助表中概述了研究人口的人口和生化特征2．所有患者中位年龄均为59岁(最大88岁，最小16岁)，以女性为主(86.2%)。总的来说，581例患者中有242例无症状(45%)，191例患者在首次诊断时出现肝硬化(33%)，其中68例(35.6%)患者接受了肝脏活检。肝硬化组和非肝硬化组的特点见补充表5．

３．２．AILD检测方法的改变与肝硬化的诊断

根据入院原因将AILD患者分为两组:健康体检组指的是肝功能异常或体检中意外发现的患者;症状组包括有黄疸、消化道出血、腹痛等临床症状的患者。

我们发现，健康体检组患者比例由2006年前的31.6%上升至2017年的68.0%。这一增长在过去18年的统计上是显著的( ，，数字1)，并证明定期健康检查已成为确定AILD高风险个体的关键方法。

图1

通过定期健康检查确诊的AILD患者比例。所占比例逐年增加(全部: ，；AIH: ，；中国人民银行: ，；PBC-AIH OS：， )．值采用趋势卡方检验计算。代表值小于0.001,ns。没有统计学意义。

我们进一步分析了AILD患者肝硬化的诊断率(图)2)，发现基线时肝硬化患者的比例由2006年前的52.6%逐渐下降至2017年的20.0% ( ， )．在AILD合并AIH和PBC的亚组中有下降趋势( ，；， )．PBC-AIH OS患者基线时肝硬化的比例显示出随时间推移潜在的下降趋势( ， )．

图2

AILD患者初次入院时肝硬化的发生率。除PBC-AIH OS患者外，肝硬化比例逐年降低(均: ，；AIH: ，；中国人民银行: ，；PBC-AIH OS：， )．值采用趋势卡方检验计算。代表值小于0.001,ns。没有统计学意义。

3．3．健康体检中AILD的危险因素

与健康对照组相比，常规健康检查中测量的14个参数与AILD显著相关( ，桌子1)．通过两两相关分析，我们排除了6个与其他相关性较强的参数(TP、ALB、AST、ALP、TBIL、DBIL)。因此，以年龄、性别、GLB、ALT、GGT、LN、CEAID、FA为自变量，构建预测模型。单因素分析也发现上述8个变量与AILD相关(表)2)．腹部淋巴结肿大阳性因子与两组间相关性最大(OR 19.46, 95% CI 10.91-34.69， )．


因素	日志或(β）	SE (β）	价值	或	95％CI.

性别(女)	2．07	0.19	< 0.001	7.90	5.43 - -11.49
诊断年龄(岁)	0．07	0．01	< 0.001	1.07	1.05 - -1.08
GLB (g / L)	0．30	0．02	< 0.001	1．35	1.30 - -1.41
ALT (IU / L)	0．07	0．01	< 0.001	1.07	1.06 - -1.08
GGT (IU / L)	0．03	0．002	< 0.001	1.03	1.02 - -1.03
LN	2.97	0．30	< 0.001	19.46	10.91 - -34.69
CEAID	2.05	0．20	< 0.001	7.75	5.27 - -11.39
足总	2.80	0.28	< 0.001	16．50	9.53-28.55.

日志或(β):逻辑回归β系数(解释变量增加一个单位的对数比值比);SE (β的标准误差β系数;OR:解释变量增加一单位的优势比(指数)β）;95% CI:优势比的95%置信区间;AILD:自身免疫性肝病;GLB:球蛋白;ALT:丙氨酸转氨酶;GGT:γ谷氨酰转移酶;LN:腹部淋巴结肿大(b超);当前肝外自身免疫性疾病;费尔南多-阿隆索:家族性自身免疫。

3．4．健康体检中AILD预测模型的开发与验证

我们建立了一个logistic回归模型，用于识别患有AILD风险的个体和健康体检参与者的8个预测因子(模型1，表)3.)，并使用交叉验证对模型进行评估。该模型在交叉验证集( ，，补充图2)和由25%样本组成的测试集(AUC为0.98;95% CI 0.97-0.99，灵敏度为89.0%，特异度为96.4%，准确性为93.7%，图3(一个)和3 (c))．最强的预测因子是阳性腹腔淋巴结肿大(OR 8.85, 95% CI 2.73-28.69)。


	日志或(β）	SE (β）	价值	或(exp (β]）	95%置信区间或

模型1
性别(以男性为准)	1.74	0.46	< 0.001	5.69	2.29 - -14.12
诊断年龄(岁)	0.09	0．02	< 0.001	1．10	1.07 - -1.13
GLB (g / L)	０．２５	0．04	< 0.001	1．28	1.19 - -1.38
ALT (IU / L)	0．04	0．01	< 0.001	1.04	1.03-1.06
GGT (IU/L)	0．01	0．002	< 0.001	1．01	1.006 - -1.014
LN	2．18	0.60	< 0.001	8.85	2.73-28.69.
CEAID	１．２６	０．４７	0.007	3.51	1.41 - -8.76
FA	1．92	0.53	< 0.001	6.85	2.41 - -19.49
模型2
性别(以男性为准)	1.53	０．３３	< 0.001	4.64	2.44 - -8.82
诊断年龄(岁)	0．07	0．01	< 0.001	1.07	1.05 - -1.10
GLB (g / L)	0.28	0．03	< 0.001	１．３２	1.26 - -1.39
LN	2.85	0．45	< 0.001	17.24	7.18 - -41.41
CEAID	1．55	0.34	< 0.001	4.72	2.41 - -9.23
FA	1.86	0．41	< 0.001	6.41	2.84 - -14.44

注:模型1 (M1)采用相关分析后的8个常见变量，模型2 (M2)采用无肝、胆道损伤标志物的变量。AILD:自身免疫性肝病;GLB:球蛋白;ALT:丙氨酸转氨酶;GGT:γ谷氨酰转移酶;LN:腹部淋巴结。扩大(b型超声波);当前肝外自身免疫性疾病;费尔南多-阿隆索:家族性自身免疫。

(一)

(b)

(c)

图3

logistic回归模型在常规健康检查中测量的临床参数的表现。(a)受试者工作特征曲线(ROC)显示，模型1在8个变量中对AILD高风险个体有较好的预测能力，(b)模型2在无肝或胆道损伤参数的情况下也有较好的预测能力，(c)两种模型在试验组中的表现。AUC:接收机工作特性曲线下的面积;PPV:阳性预测值;NPV:阴性预测值。

我们构建了一个不含谷丙转氨酶(ALT)和谷丙转氨酶(GGT)变量的logistic回归模型，旨在将AILD患者与其他肝脏或胆道疾病患者分开(模型2，表)3.)．该模型在交叉验证集( ，，补充图2 b）和测试套（AUC为0.94; 95％CI 0.92-0.96，敏感性为79.8％，特异性为93.3％，准确度为88.5％，数字3 (b)和3 (c))．与其他变量相比，腹部淋巴结肿大阳性结果(OR 17.24, 95% CI 7.18-41.41)也是影响最大的变量(表)3.)．

接下来，我们在新收集的56件患者和100名与其他肝病的患者的队列中测试了这两种模型。这里，与型号1（AUC 0.94,95％CI 0.92至0.96）相比，没有肝生物标志物（模型2）的模型显示出更高的性能（AUC 0.97,95％CI 0.96至0.98）。排除两种肝脏生物标志物，这些肝脏生物标志物不具体，增加了敏感预测的敏感性和特异性（87.5％和95.0％;图4)．

(一)

(b)

图4

其他肝损伤伴肝功能异常的外部验证队列的表现。在外部队列中验证两个logistic模型，(a) ROC显示了两个模型在独立验证组中的比较，(b)两个模型在外部验证组中的表现，这表明模型2有六个变量，可以更好地从其他肝脏疾病中识别AILD。ROC:受检者工作特征曲线;AUC:接收机工作特性曲线下的面积;肝功能检查;PPV:阳性预测值;NPV:阴性预测值。

3．5.决策树模型简化了带有健康检查预测器的AILD预测

为了找到预测器的最佳组合及其确切的截止值，以及建立可视化预测模型，我们安装了一个带有用于培训模型的六个变量的购物车模型2.拟合的决策树如图所示5(一个)，对外部验证集的评估结果如图所示5 (b)．该模型对诊断AILD具有良好的预测能力(AUC, 0.91, 95% CI 0.89-0.93，敏感性85.7%，特异性92.0%)。符合逻辑回归模型,GLB升高(≥34 g / L)是最重要的歧视因素在高和低风险AILD之间,虽然年龄的增加(> 45岁),家族性自身免疫性疾病史和积极的超声发现腹部淋巴结肿大也发现重要的风险因素AILD(图5(一个))．

(一)

(b)

图5

分类树(CART)用于预测AILD的高危个体。(a) CART树，用于预测可视化。每个终端节点下面的两组数字表示患者或对照组的比例。根据预测结果用绿色和蓝色标记亚组，如亚组2为疾病预测模式组(AILD发生概率为87%，深绿色)。实际的分割值(阈值)在树的分支中显示。HC:健康对照组;AILD:自身免疫性肝病患者。(b)接收机工作特性曲线。CART模型在预测其他肝损伤的AILD高危个体时效果良好，AUC为0.91。

4.讨论

AILD通常在早期阶段无症状。约30%的患者在确诊时已发展为肝硬化，预后较差(如生存率较低)。然而，如果AILD患者能在肝硬化发病前被发现和诊断，使用免疫抑制剂治疗可以显著提高生存率(从62%提高到94%)[10，23］．虽然对该病的管理至关重要，但疾病的早期识别仍然是一项挑战;现时并无甄别方法，以甄别有患上疾病风险的人士[2］．据我们所知，这是第一个在常规健康检查中确定早期检测AILD的预测指标的研究。

在本研究中，我们发现过去20年间，AILD患者肝硬化的比例逐渐下降(图)2)．这可能是因为定期体检人数的增加使得没有临床症状的AILD患者在体检中出现了异常LFTs，并被转诊给肝病医生进行进一步的诊断测试。这与在新加坡调查自身免疫性肝炎诊断率的研究结果一致，该研究得出的结论是，初级卫生保健专业人员和公众缺乏认识，导致AIH诊断和治疗延误[24］．我们的研究进一步表明，定期的健康检查可能有助于改善高度风险高风险的人。

我们发现，在常规健康检查中测量的14个参数可能有助于AILD的预测模型(表)1)．其中，我们选择8个不相关因素(年龄、性别、GLB、ALT、GGT、LN、CEAID、FA)建立识别高危AILD患者的预测模型。在转氨酶和胆汁酶中，AST与ALT、ALP与GGT高度相关。既往研究表明，ALT、GGT是较“早”、“敏感”的指标，较AST、ALP更适合早期筛查[25，26］．因此，我们最终选择ALT和GGT作为代表进入模型(补充表)4)．利用这些变量，我们开发了两种识别AILD高风险的预测模型:模型1旨在用于一般健康检查，以识别AILD的风险与临床变量，我们排除了模型2中的LFTs，以估计LFTs异常个体的AILD风险，旨在从其他肝病中识别AILD。虽然在健康检查中检测异常LFTs有可能识别AILD，但它不是一个特定的标志物，因为在不同的肝病中LFTs升高[27，28］．因此，我们使用健康检查中测量的其他参数来设计模型，以具体识别AILD。

建立模型1用于一般健康检查，以识别高风险AILD。结合以上临床变量，我们发现内部交叉验证具有较高的预测能力(敏感性为89.0%，特异性为96.4%，图3.)．模型2在对AILD及其他肝病患者的验证队列进行检测时，具有较高的特异性和敏感性(图2)4)．这说明Model 2不含LFTs更适合于识别不同肝功能异常的AILD。已知AILD家族史和其他自身免疫性疾病史是该病的危险因素[29]，这主要是在中年妇女中发现的，血清γ-Globulins和异常LN与自身免疫性肝炎有关[2］．其中，腹部淋巴结肿大是典型的超声特征，这与我们的结果一致[30.］．

为了证明我们的模型在临床实践中的可行性，我们构建了一个基于决策树的AILD风险识别示意图(CART模型)。这使我们能够量化所选变量的临界值，并评估亚组的风险(图)5)．例如，该模型预测患有，年龄在45岁以上，有AILD家族史的人患AILD的风险非常高( ）并应进一步进行临床试验以诊断AILD。虽然AILD是一种以女性为主的疾病，但在我们的决策树模型中，性别并没有被确定为一个关键变量(图)5(一个))，可能是因为在我们的数据中它与GLB轻度相关(Spearman相关0.33)。临床实践,当一个人被认为是“高风险”与肝功能异常,有必要进行免疫学或肝脏活组织检查进一步确诊AILD,也是必要病毒学,血脂,b超和其他测试来评估特定的肝损害(31］．

由于AILD是一种罕见疾病(全世界发病率为1-2 / 10万[32)，我们的模型在设计时必须使用相对较小的样本，病例和对照组的比例也不平衡。此外，虽然我们的模型在外部验证队列中表现出了较高的性能，但它可能需要在其他医疗中心的队列中进一步验证。最后，预测模型的设计是为了补充而不是替代医生的临床判断和现有的诊断标准。

总之，我们证明，在常规健康检查期间，使用有限的社会人口学和临床参数进行训练的模型能够可靠地识别患有AILD的高风险个体。该方法可在初级和二级卫生保健机构实施，以促进早期识别非肝硬化AILD患者，从而有助于改善AILD患者的预后。

缩写

艾尔德：	自身免疫性肝病
AIH:	自身免疫性肝炎
中国人民银行:	原发性胆汁胆管炎
PSC:	原发性硬化性胆管炎
操作系统:	重叠综合征
LN:	腹部淋巴结肿大
肝功能:	肝功能测试
ALT:	丙氨酸转氨酶
GGT:	γ谷氨酰转肽酶
TP:	血清总蛋白
铝青铜:	白蛋白
GLB:	球蛋白
AST:	天冬氨酸转氨酶
alp：	碱性磷酸酶
治疗组:	总胆红素
DBIL:	直接胆红素
CEAID:	合并肝外自身免疫性疾病
费尔南多-阿隆索:	家族性自身免疫
购物车:	分类回归树
Gen：	性别
鹏：	接受者操作特性
AUC:	曲线下面积
顺式:	置信区间
免疫球蛋白:	免疫球蛋白G
IGM：	免疫球蛋白
安娜:	抗核抗体
AMA:	抗度粒细胞抗体
AMA-M2:	抗线粒体antibody-M2
SMA:	Antismooth肌肉抗体。

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

的利益冲突

作者声明没有利益冲突。

作者的贡献

宝马、LZ和JZ设计了这项研究。YW, YNL, XYW对数据进行分析，参与数据收集，撰写稿件。RG、YW和YNL通过建设性的讨论帮助分析。所有作者都严格地修改了原稿。王奕、李艳妮、王孝义共同为第一作者，并对该作品作出同等贡献。

致谢

我们要感谢天津医科大学总医院健康检查中心允许我们访问电脑化的健康记录。我们要感谢研究人员、研究护士、技术人员和实验室工作人员的合作。在此，我们要感谢韦尔斯马教授、邱承轩教授和Eleonora A.M.感谢他们的科学指导。在此感谢罗丽丽、郭丽萍、李淑倩、张红霞、周思敏、张军、张悦对数据收集的帮助。本研究由国家自然科学基金(no . 81470834, no . 81860109)和国家重点研发计划(no . 2019YFC0119505)资助。

补充材料

补充表1:其他肝病患者的基线人口学和临床特征。补充表2:AILD患者的基线人口学和临床特征。补充表3:研究组中CEAID的百分比。补充表4:各预测变量比较的相关矩阵(n= 581)。补充表5:肝硬化患者和非肝硬化患者的基线人口统计学和临床特征。补充图1:纳入标准的流程图。补充图2:回归模型1和模型2的学习曲线。补充图3:每年新诊断AILD患者的趋势。（补充材料）

参考文献

M. Carbone和J. M. Neuberger，“自身免疫性肝病，自身免疫和肝移植”，肝脏病学杂志，第60卷，第2期1, pp. 210-223, 2014。视图:出版商的网站|谷歌学者
J. K. Dyson, G. Webb, G. M. Hirschfield等，“自身免疫性肝病未满足的临床需求”，肝脏病学杂志，卷。62，没有。1，pp。208-218,2015。视图:出版商的网站|谷歌学者
K. M. Boberg, R. W. Chapman, G. M. Hirschfield等，“重叠综合征:国际自身免疫性肝炎组织(IAIHG)对一个有争议的问题的立场声明，”肝脏病学杂志第54卷第5期2, pp. 374 - 385,2011。视图:出版商的网站|谷歌学者
E. J. Carey, A. H. Ali, K. D. Lindor，“原发性胆汁性肝硬化”，《柳叶刀》第386期3 .中国科学院研究生院，pp. 1565-1575, 2015。视图:出版商的网站|谷歌学者
J. A. Udell, C. S. Wang, J. Tinmouth等，“该肝病患者是否有肝硬化?”《美国医学会杂志》第307期8，第832-842页，2012。视图:出版商的网站|谷歌学者
自身免疫性肝炎和原发性胆道胆管炎重叠综合征肝病的诊所第22卷第2期3, pp. 603-611, 2018。视图:出版商的网站|谷歌学者
J. H. Ngu, R. B. Gearry, C. M. Frampton，和C. a . M. Stedman，“自身免疫性肝炎患者预后不良的预测因素:一项基于人群的研究，”肝脏病学，卷。57，没有。6，pp。2399-2406,2013。视图:出版商的网站|谷歌学者
R. Liberal和C. R. Grant，《肝硬化和自身免疫性肝病:目前的理解》世界肝病杂志，第8卷，第2期28, pp. 1157-1168, 2016。视图:出版商的网站|谷歌学者
J. J. Feld, H. Dinh, T. Arenovich, V. A. Marcus, I. R. Wanless, and E. J. Heathcote，“自身免疫性肝炎:症状和肝硬化对自然史和结局的影响”，肝脏病学，第42卷，第2期1，页53-62,2005。视图:出版商的网站|谷歌学者
A. W. Lohse, O. Chazouilleres, G. Dalekos et al， " EASL临床实践指南:自身免疫性肝炎，"肝脏病学杂志，第63卷，第2期4, pp. 971-1004, 2015。视图:出版商的网站|谷歌学者
a . Floreani, R. Liberal, D. Vergani，和G. Mieli-Vergani，“自身免疫性肝炎:儿童和成人的对比和比较-一个全面的综述，”自身免疫杂志，第46卷，第7-16页，2013。视图:出版商的网站|谷歌学者
郭玲，周玲，张宁，邓斌，王斌，“自身免疫性肝病患者的肝外自身免疫性疾病:一种被胃肠病学专家忽视的现象”，胃肠病学研究与实践文章编号2376231,7页，2017。视图:出版商的网站|谷歌学者
P. J. Trivedi, S. G. Hubscher, M. Heneghan, D. Gleeson，和G. M. Hirschfield，“Grand round:自身免疫性肝炎，”肝脏病学杂志，第70卷，第2期4，第773-784页，2019。视图:出版商的网站|谷歌学者
A. P. Barreiros, L. Chiorean, B. Braden, C. F. Dietrich，“罕见弥漫性肝病的超声”，Zeitschrift毛皮Gastroenterologie，卷。52，不。11，pp。1247-1256,2014。视图:出版商的网站|谷歌学者
G. W. Wong，T. Yeong，D. Lawrence，A. D. yeoman，S. Verma和M. Heneghan，“自身免疫性肝炎的同时的脱毛自身免疫：诊断，临床课程和长期成果的影响。肝脏国际，卷。37，不。3，第449-457,2017。视图:出版商的网站|谷歌学者
C. Efe, S. Wahlin, E. Ozaslan等，“自身免疫性肝炎/原发性胆汁性肝硬化重叠综合征和相关的肝外自身免疫性疾病”，欧洲胃肠病学与肝病杂志，第24卷，第2期5, pp. 531-534, 2012。视图:出版商的网站|谷歌学者
L. gr ø bæk, H. Vilstrup, L. Pedersen, K. Christensen, P. Jepsen，“自身免疫性肝炎的家族发病:丹麦全国范围基于登记的队列研究”，肝脏病学杂志，第69卷，第2期4，第873-877页，2018。视图:出版商的网站|谷歌学者
N. M. F. van Gerven, B. J. Verwer, B. I. Witte等，“荷兰自身免疫性肝炎的流行病学和临床特征”，斯堪的纳维亚胃肠病学杂志，第49卷，第49期。10, pp. 1245-1254, 2014。视图:出版商的网站|谷歌学者
M. Soresi, G. Bonfissuto, C. Magliarisi等，“超声检测慢性肝病的腹腔淋巴结。回顾性分析。”临床放射学，卷。58，没有。5，PP。372-377，2003。视图:出版商的网站|谷歌学者
A. Rovlias和S. Kotsou，“使用简单的临床和实验室变量预测严重头部损伤后结果的分类和回归树”，杂志上的创伤第21卷第2期7，页886-893,2004。视图:出版商的网站|谷歌学者
R. Gacesa, D. J. Barlow和P. F. Long，“机器学习可以区分毒液毒素和其他具有无毒生理功能的蛋白质，”PEERJ计算机科学， 2016年第2卷，第90条。视图:出版商的网站|谷歌学者
M. Kuhn，“Ru唱Ru Sing The Caret Package的预测模型，”统计软件杂志第28卷第2期5, 2008。视图:出版商的网站|谷歌学者
F. Nevens, P. Andreone, G. Mazzella et al.，“一项obe胆酸在原发性胆道胆管炎中的安慰剂对照试验”，新英格兰医学杂志第375卷7, pp. 631-643, 2016。视图:出版商的网站|谷歌学者
Y. M. Lee，E.K.Teo，T.M.Ng，C.Khor和K.M. Fock，新加坡自身免疫性肝炎：一种影响中年女性的罕见综合症“胃肠病学与肝病杂志，第16卷，第5期。12，页1384-1389,2001。视图:出版商的网站|谷歌学者
D. Van Der Poorten, D. T. Kenny, T. Butler和J. George，“青少年肝病:高危个体的队列研究”，肝脏病学第46卷，第46期6，页1750-1758,2007。视图:出版商的网站|谷歌学者
M. Robles-Diaz, M. Garcia-Cortes, I. Medina-Caliz等，“血清天门冬氨酸转氨酶和-谷氨酰转肽酶作为肝毒性生物标志物的价值”，肝脏国际第35期11, pp. 2474 - 2482,2015。视图:出版商的网站|谷歌学者
S. J. Forbes和P. N. Newsome，《肝脏再生机制和模型的临床应用》，自然评论。胃肠学和肝脏学，第13卷，第2期8，第473-485页，2016。视图:出版商的网站|谷歌学者
Z. M. Younossi, R. Loomba, Q. M. Anstee等，“非酒精性脂肪性肝病、非酒精性脂肪性肝炎和相关纤维化的诊断方法”，肝脏病学第68卷第2期1, pp. 349-360, 2018。视图:出版商的网站|谷歌学者
P. J. Trivedi和G. M. Hirschfield， "综述文章:重叠综合征和自身免疫性肝病，"消化药理学与治疗学第36卷第2期6，第517-533页，2012。视图:出版商的网站|谷歌学者
B. Braden, D. Faust, A. Ignee, D. Schreiber, T. Hirche, and C. F. Dietrich，“急性和慢性肝病中肝周淋巴结病的临床相关性”，临床胃肠病学杂志，第42卷，第2期8，页931-936,2008。视图:出版商的网站|谷歌学者
E. Björnsson, J. Talwalkar, S. Treeprasertsuk, M. Neuhauser和K. Lindor，“具有典型实验室特征的自身免疫性肝炎患者很少需要肝脏活检诊断，”临床胃肠病学和肝病学，第9卷，第5期。1，页57-63,2011。视图:出版商的网站|谷歌学者
P. Jepsen, L. gr ø bæk, H. Vilstrup，“自身免疫性肝病的全球发病率”，消化系统疾病第33卷第3期2, pp. 2 - 12, 2015。视图:出版商的网站|谷歌学者

疾病标记

抽象的

1.介绍

2.材料和方法

2.1。研究设计和参与者

2．2.数据收集

2．3.预测变量的选择

2．4．构建和模型验证

2．5．统计分析

3.结果

3．1.研究队列和基线特征

３．２．AILD检测方法的改变与肝硬化的诊断

3．3．健康体检中AILD的危险因素

3．4．健康体检中AILD预测模型的开发与验证

3．5.决策树模型简化了带有健康检查预测器的AILD预测

4.讨论

缩写

数据可用性

的利益冲突

作者的贡献

致谢

补充材料

参考文献

版权

更多相关文章

相关文章