World J Gastroenterol. 2025 Dez 7;31(45):114413. doi: 10.3748/wjg.v31.i45.114413.

RESUMO

Doença hepática gordurosa associada ao metabolismo (MAFLD) representa a causa mais comum de doença hepática crônica em todo o mundo e frequentemente é subdiagnosticada em suas fases iniciais. Tian et al recentemente relataram um estudo observacional prospectivo que desenvolveu um modelo baseado em aprendizado de máquina para prever esteatose hepática em indivíduos de alto risco. O modelo resultante XGBoost demonstrou excelente desempenho preditivo (área sob a curva 0,82; área sob a curva média de validação cruzada 0,918). Importante ressaltar que o estudo destacou preditores clinicamente significativos, como a relação aspartato aminotransferase/alanina aminotransferase, triglicerídeos e circunferência da cintura, juntamente com características derivadas da medicina tradicional chinesa, como revestimento gorduroso da língua e vermelhidão na borda da língua. No entanto, desafios persistem, incluindo a necessidade de avaliação padronizada da medicina tradicional chinesa, validação externa multicêntrica e modelagem refinada para considerar a heterogeneidade da MAFLD. Estudos futuros devem expandir painéis de biomarcadores, incorporar imagens avançadas e avaliar os desfechos clínicos das intervenções guiadas pelo modelo. No geral, Tian et al fornecem uma contribuição valiosa ao demonstrar que o aprendizado de máquina pode melhorar a detecção precoce e o manejo personalizado da MAFLD.

Conteúdo Patrocinado

PMID: 41378333 | PMC: PMC12686992 | DOI: 10.3748/wjg.v31.i45.114413

Para ler a postagem completa, visite o original: Leia a Postagem Completa