Predicting gallstones risk with body composition analysis and machine learning: a dual-center cohort study.

چکیده اصلی

BACKGROUND: To compare the predictive performance of computed tomography (CT) body composition indices, anthropometric indices, and laboratory indices for gallstones occurrence, and to construct machine-learning models to improve performance. METHODS: The dual-center retrospective cohort enrolled patients who underwent initial abdominal CT between January 2017 and January 2023, had no gallstones detected, and completed at least 3 years of follow-up. The data analysis was performed in April 2026. They were divided into gallstone group and non‑gallstone group by follow‑up findings. A deep-learning tool, Body and Organ Analysis (BOA), was used to quantify fat, muscle, and bone at the level of the third lumbar vertebra. The area under the receiver operating characteristic curve (AUC) of these indices was compared with that of anthropometric and laboratory indices. Predictive models were developed in the training cohort. Model performance was evaluated using fivefold cross-validation and an independent test cohort. RESULTS: 1,944 patients were evaluated, including 1,437 in the training cohort (Center 1; median age, 63 years [25th-75th percentile, 55-72]; 699 males) and 507 in the test cohort (Center 2; median age, 63 years [55-71]; 266 males). In univariate analysis, neutrophil-to-lymphocyte ratio (NLR) showed the highest AUC (0.627, 95% confidence interval [CI]: 0.586-0.668). The extreme trees (ET) model performed best, with a test-set AUC of 0.772 (95% CI: 0.714-0.822). SHapley Additive exPlanations (SHAP) analysis identified the area ratio of subcutaneous to total fat as the most important feature. CONCLUSIONS: NLR was the best single predictor but had limited standalone utility. Among models integrating the three indicator categories, the ET performed best.

ترجمه فارسی چکیده

پیش‌زمینه: مقایسه عملکرد پیش‌بینی شاخص‌های آناتومیک و آزمایشگاهی و شاخص‌های آنالیز ترکیب بدن با سی‌تی اسکن برای بروز سنگ کیسه صفرا و ساخت مدل‌های یادگیری ماشین برای بهبود عملکرد. روش‌ها: مطالعه کوهورت پس‌رونده دو مرکزی که بیماران دچار سی‌تی اسکن شکمی اولیه بین ژانویه ۲۰۱۷ و ژانویه 2023، بدون وجود سنگ کیسه صفرا و با حداقل سه سال پیگیری را شامل می‌شد. تحلیل داده‌ها در آوریل 2026 انجام شد. بیماران بر اساس یافته‌های پیگیری به گروه سنگ کیسه صفرا و غیرسنگی تقسیم شدند. ابزار یادگیری عمیق Body and Organ Analysis (BOA) برای کمی‌سازی چربی، عضله و استخوان در سطح مهره سوم کمری استفاده شد. مساحت زیر منحنی نمودار عملکرد گیرنده (AUC) این شاخص‌ها با آناتومیک و آزمایشگاهی مقایسه شد. مدل‌ها در کوهورت آموزشی توسعه یافتند. عملکرد مدل با استفاده از اعتبارسنجی متقاطع پنج‌گانه و کوهورت تست مستقل ارزیابی شد. نتایج: ۱۹۴۴ بیمار ارزیابی شدند، شامل ۱۴۳۷ در کوهورت آموزشی (مرکز ۱؛ میانگین سنی ۶۳ سال [چارک ۲۵ تا ۷۵، ۵۵-۷۲]؛ ۶۹۹ مرد) و ۵۰۷ در کوهورت تست (مرکز ۲؛ میانگین سنی ۶۳ سال [۵۵-۷۱]؛ ۲۶۶ مرد). در تحلیل تک‌متغیره، نسبت نوتروفیل به لنفوسیت (NLR) بالاترین AUC را داشت (۰.۶۲۷، ۹۵٪ CI: ۰.۵۸۶-۰.۶۶۸). مدل درخت‌های افراطی (ET) بهترین عملکرد را داشت با AUC مجموعه تست ۰.۷۷۲ (۹۵٪ CI: ۰.۷۱۴-۰.۸۲۲). تحلیل SHapley Additive exPlanations (SHAP) نسبت مساحت چربی زیرپوستی به کل چربی را به عنوان مهم‌ترین ویژگی شناسایی کرد. نتیجه‌گیری: NLR بهترین پیش‌بینی‌کننده تک‌متغیره بود اما کاربرد مستقل محدودی داشت. در میان مدل‌های ادغام سه دسته شاخص، ET بهترین عملکرد را داشت.

متن کامل اصلی