OC

基于人工智的肝硬化预后评估

2024-10-14 12:31:47 英文原文

作者：Pan, Jingye

摘要

肝硬化是一个重大的全球健康挑战，以高发病率和死亡率著称，对人类健康造成了严重的影响。及时且精准的肝硬化预后评估对于改善患者结果和降低死亡率至关重要，因为这使得医生能够识别出高风险患者并实施早期干预措施。本文通过详尽的文献回顾，旨在总结并阐明传统预测工具在临床应用中的现状及限制。其中，Child-Pugh评分系统和终末期肝病模型（MELD）评分系统被广泛使用，但它们的准确性差异显著。这些系统通常适用于广泛的评估，但在特定条件下的适用性不足，并且无法捕捉到患者状况动态变化所带来的风险。未来的研究有望深入探索将人工智能（AI）与肝硬化患者的常规临床和多组学数据相结合的可能性。目标是从静态单一模式的评估模型转向动态多元化的框架体系。这一进展不仅会提高预测工具的准确性，还将促进个性化医疗方法的发展，并有可能彻底改变临床结果。

介绍

肝硬化是指由于各种慢性肝脏疾病（CLD）导致的肝脏严重功能和结构障碍的终末期。这种状况在病理上表现为广泛的肝细胞坏死、纤维化和炎症，最终正常肝组织被瘢痕组织替代，从而引发肝功能障碍。1,2,3这些展览如图所示。1全球疾病负担（GBD）研究的数据表明，2019年全球肝硬化患病人数约为1.69亿人，并伴有约147万例与肝硬化相关的死亡。高发病率和死亡率突显了肝硬化作为一项重要全球公共卫生问题的紧迫性。4]. 可靠的预测肝硬化进展和结局的工具的发展和完善仍然是临床研究中的关键挑战。本研究旨在对当前全球肝硬化的预后状况、预后评估中使用的方法以及最近在肝硬化预后方法上的进展进行系统回顾。这项工作旨在通过对当前全球肝硬化预后的现状、预后评估中采用的方法以及近期预后方法的进展进行系统回顾，提供创新的观点和方法以提高对肝硬化患者的早期和精确预后。

图1
figure 1

从健康肝脏到肝硬化及主要并发症的进展。该图展示了由于病毒复制、脂质积聚和氧化应激等因素导致肝纤维化的发病机制，并进一步阐述了肝纤维化向肝硬化的进展，同时强调了相关的并发症。

肝硬化的预后状况

肝硬化的病因包括多种因素，包括病毒性肝炎（主要是乙型和丙型肝炎）、长期饮酒、肥胖、非酒精性脂肪肝病（NAFLD）、自身免疫性肝病（ALD）以及胆汁淤积性肝病。5, 6肝硬化患者的发病率和死亡率根据潜在病因表现出显著差异。4, 7](表　　)tableView可能需要根据具体上下文调整，这里提供的是直接对应的中文表达。如果有更多具体内容或在不同语境中，请进一步说明。原文如果不需要改动则为："](表)"。请注意给出的翻译基于提供的信息，若表格有特定内容或标题，则需提供更多细节以便更准确地完成任务。1全球范围内，乙型肝炎病毒（HBV）和丙型肝炎病毒（HCV）感染导致超过45%的肝硬化病例，估计有50%的与肝硬化相关的死亡是由这些感染引起的。6饮酒导致酒精性肝硬化的发病率从18.7%上升到21.3%，致使酒精引起的肝硬化患者的死亡率高达2.5%。4, 8, 9此外，肥胖和2型糖尿病患病率的上升将与NAFLD相关的肝硬化发病率从5.5%提高到6.6% [6, 9].

表1 2019年全球疾病负担（GBD）研究显示了肝硬化的死亡率

肝硬化通常分为两个不同的阶段，代偿期和失代偿期，每个阶段的预后有显著差异。10, 11在代偿期肝硬化的阶段，中位生存时间可以达到15年以上。然而，一旦进入失代偿期，中位生存时间缩短至仅1.5年，范围为2到4年。12例如，代偿期HBV相关肝硬化的患者5年生存率在80%至85%之间，进展到失代偿期后降至14%-35%。13]. 患者过渡到失代偿期时常常会面临一系列并发症，包括食管胃底静脉曲张破裂和出血、腹水、肝性脑病（HE）和肝细胞癌（HCC）[14每种并发症对预后的影响各不相同，并且经常会增加死亡率。11, 15,16,17急性出血由胃食管静脉曲张破裂引起，其死亡率约为15-20%。18患有明显腹水（分级为2级或3级）的个体仅表现出30%的5年生存率。10]. 难治性腹水患者的一年死亡率超过20% [19肝细胞癌（HCC）已成为最常见的肝癌类型，每年至少导致780,000人死亡，肝硬化是其发展的主要风险因素。20,21,22此外，在过去的几十年里，HE一直保持着较高的死亡率[,]23, 24一项调查表明，截至上一个十年末，患有肝细胞癌（HCC）的个体的死亡率上升至1.2%。一项研究表明，在美国，患有肝硬化和肝性脑病的成年患者的中位生存时间仅为0.92年。5失代偿期肝硬化患者生存率的急剧下降凸显了进行准确预后评估和早期干预的必要性，这对于改善长期生存至关重要。

肝硬化患者的预后评估是临床管理的关键部分，依赖于一系列评分系统，如Child–Pugh评分和MELD评分。深入了解这些评估工具的使用方法及其局限性是准确评估患者预后、指导临床决策和改善预后的关键和基础。17, 25,26,27]. 多篇评论详细讨论了肝硬化预后评估的研究进展。例如，Gülcicegi等人描述了对失代偿期肝硬化的定义和分类的新概念和观点，概述了新兴预测评分系统（如CLIF Consortium Acute Decompensation (CLIF-C AD) 和Chronic Liver Failure Acute-on-Chronic Liver Failure (CLIF-ACLF) 评分、Early Prediction of Decompensation (EPOD) 评分以及白蛋白-胆红素(ALBI)评分）的临床应用，并讨论了评估门脉高压的非侵入性方法以及在早期识别急性失代偿风险肝硬化患者中新生物标志物的应用。28Valainathan等人比较了六种用于评估肝硬化严重程度和预后的预测评分系统之间的差异与相似性，这些系统包括Child–Pugh评分、终末期肝病模型（MELD）评分、针对肝硬化急性失代偿阶段患者的CLIF-C-AD评分、慢性肝衰竭联盟急性和慢性肝功能衰竭（Clif-C-ACLF）、美国呼吸护理协会（AARC）以及由欧洲、亚洲和北美社会为更严重患者提出的北美终末期肝病研究联合会（NASCELD）-ACLF评分。他们讨论了这些系统的验证及其局限性，并指出由于这些系统接受者操作特征曲线（ROC）下的面积不超过0.8，因此这些系统对死亡率的预测价值仍然可以改进，这表明将反映肝硬化急性失代偿病理生理学的生物标志物纳入评分系统可能有助于实现这一目标。29总结来说，这些综述文章讨论了用于肝硬化预后评估的常用临床工具的应用效益和局限性，并指出改进这些评分系统的新视角是应用与肝硬化相关的新型生物标志物。我们的工作不仅探讨了常用的临床评估系统（Child–Pugh评分和MELD评分）的历史发展、临床应用及限制，还从先进科技应用的角度阐明了近年来新发现的免疫生化标记物、微生物学标记物、微小核糖核酸（miRNA）标记物以及超声成像标记物在肝硬化预后中的临床有效性。最重要的是，这篇综述总结了人工智能（AI）技术在肝硬化预后评估中应用的相关文献，指出这是未来发展的另一个广阔领域。参见图。2查阅更多详细信息。人工智能与医学的融合是未来不可避免的趋势。在肝硬化预后评估中，未来的研究应侧重于动态数据处理和多模态模型构建，以实现肝硬化的实时早期预警评估，推动精准医疗的进一步发展，并有助于改变肝硬化的高死亡率。

图2
figure 2

评估工具、标记物和肝硬化预后的技术。图表总结了关于肝硬化预后评估工具研究进展的全面概况。随着科学技术的迅速发展，高级高通量测序、成像技术和人工智能(AI) 的整合，在识别和验证新的微生物生物标志物和 miRNA 标记以及免疫生化和影像标记方面发挥了重要作用，这些对于肝硬化的预后评价至关重要。伴随着这些进展，肝硬化的预评估工具不断被改进和完善。当前的工具主要根据其适用于肝硬化稳定期或失代偿期分为两大类和三个系统。在稳定的肝硬化中，Child-Pugh评分和MELD评分作为基础评估体系；对于失代偿性肝硬化，评估主要基于CLIF-C急性-on-慢性肝功能衰竭评分。

传统肝硬化的预后评估方法

在肝硬化的预后评估中，传统工具可以分为两类：一类针对早期或稳定期，另一类针对失代偿期。对于早期或稳定的肝硬化，常用的评分系统包括Child–Pugh评分系统和MELD及其增强版本。在失代偿期，肝硬化的预后评估系统基于机器学习增强的Clif-C-ACLF评分系统的版本。

传统用于早期或稳定期肝硬化的评分系统

Child-Pugh评分系统：一种经验性的临床评估

儿童-Pugh评分系统的历史

1964年，外科医生Child和Turcotte提出了Child-Turcotte评分系统，该指数用于评估肝硬化患者中的肝脏功能30]. 随后，Pugh及其合作者在1973年重新修订了Child-Turcotte分类法，基于临床见解进行了细化。修订后的系统包括五个关键指标：白蛋白水平、凝血状态、胆红素水平、腹水的存在和肝性脑病（HE）。每个指标根据其严重程度被分配一个分数，总分为5-6分的为A级，7-9分的为B级，10-15分的为C级，分别表示肝脏功能良好、中度受损和重度受损。此分类方法基于各项指标累计得分进行评估，反映了肝硬化患者肝脏功能的整体评价。31].

儿童-佩吉评分系统的局限性

Child-Pugh评分系统传统上一直是评估肝硬化患者疾病严重程度的重要工具，在生存评估和治疗方案选择中扮演着重要角色。31,32,33,34,35].然而，Child-Pugh评分系统中腹水和肝性脑病分级的主观性质，以及白蛋白水平、国际正常化比率（INR）和胆红素水平计算截止值的使用，在某些研究中引发了对其分级准确性和鉴别能力的担忧[32此外，Child-Pugh评分系统的预后精确性受到了其内在局限性的挑战，例如未能纳入肾功能、无法区分肝硬化病因、ABC分级水平之间患者个体差异较大以及缺乏对肝脏代谢功能的全面评估。36因此，许多研究团队在Child–Pugh分级之后寻求进一步完善肝硬化患者的预后评估，旨在提高肝硬化管理中预后评估的精确性和有效性。37,38,39,40].

儿童-Pugh评分系统的进展

随着统计方法的进步，研究人员通过在广泛的临床数据集上进行深入的统计分析，努力改进Child-Pugh评分系统，旨在提高肝硬化患者预后评估的准确性。41,42,43,44在2015年，Johnson及其同事利用1,313名肝细胞癌患者的资料建立了ALBI评分模型。45该模型在评估HCC患者预后方面表现出优于Child–Pugh评分系统的预测能力，这一发现得到了后续研究的证实。46, 47日本肝病学会将其ALBI评分纳入了HCC治疗方案中。48尽管有了这些进步，一个后续的研究团队揭示了ALBI在长期预后预测中的表现不佳，表明有必要继续提高其准确性。由Hiraoka及其同事进行的一项研究表明，改良的Child-Pugh预后准确度优于ALBI，强调了在肝硬化管理中寻找更优预后工具的持续追求。49].

MELD及其改进的评分系统：定量评估系统

MELD评分系统的历史

2000年，Kamath及其同事提出了MELD评分系统，用于预测接受经颈静脉肝内门体分流术(TIPS)手术的患者的近期死亡风险，该系统基于实验室参数的量化评估。50当前的MELD评分系统主要包括三个主要指标：肌酐水平、总胆红素水平和国际正常化比率（INR）。较高的分数表示肝病严重程度增加，尽管具体的计算方法可能因医疗行业内的地区和机构指南而有所不同。51帕帕西奥多里迪斯和博塔等人在后续研究中发现，MELD评分系统在预测肝硬化患者短期生存率的准确性方面始终优于Child-Pugh评分系统。52, 53].

MELD评分系统的局限性

然而，MELD评分并非没有局限性。观察表明，患有自发性细菌性腹膜炎（SBP）或细菌感染的肝硬化患者的实际死亡率高于MELD评分预测的结果。54此外，在将低MELD评分与伴有严重腹水的肝硬化患者并发高死亡率关联时会出现矛盾之处。19].一些研究结果甚至表明，与Child-Pugh评分系统相比，MELD评分系统在预测经颈静脉肝内门体分流术（TIPS）后3个月和6个月的死亡率时准确性较低。具体而言，分别报告了3个月和6个月的曲线下面积(AUC)值为0.706/0.779和0.692/0.753，这表明在使用MELD评分系统进行预后判断时精度较低。50].

MELD评分系统的开发进展

针对MELD评分在特定应用场景中的预测局限性，研究人员提出了几种改进版本，如含血清钠的MELD（MELD-Na）、MELD-XI、综合MELD（iMELD）和MELD3.0等。55,56,57,58].

2006年，Scott W. Biggins等人提出了MELD-Na模型，在一个前瞻性的多中心研究中，该模型将血清钠(Na)纳入MELD评分体系，结果显示MELD-Na模型比单独使用MELD评分提供了更准确的生存预测。56根据其改进的准确性，器官采购和移植网络(OPTN)于2016年将其纳入肝移植分配优先标准。59欧洲2020年研究进一步证实了MELD-Na在预测90天死亡率方面的优越性，其c指数为0.847，显著优于传统MELD60MELD 是肝硬化短期死亡率的良好预测指标，但当抗凝治疗人工升高国际标准化比率（INR）时，MELD 可能会高估风险。为解决这一问题，在 2006 年 Douglas M 构建了 MELD-XI，该模型仅包括两项生化标志物，即肌酐和总胆红素。然而，在评估口服抗凝治疗患者的病情时，用 MELD-XI 替代 MELD 可以更准确地评估风险，并且能够更加合理地分配“最高优先级肝移植”。57在2018年，Wernly等人表明MELD-XI在预测严重肝硬化患者死亡率方面具有同等的临床价值。61iMELD结合了血清钠和年龄，在预测肝硬化患者一年内死亡率方面显著优于原始的MELD：AUROC增加了13.4%。似然比统计值从23.5增加到48.2，突显了iMELD在预测死亡率方面的准确性。58在2015年的一项研究中，针对急性-on-慢性肝功能衰竭（ACLF）的肝硬化患者，iMELD评分比其他几个预后模型更准确地预测了ACLF患者的28天死亡率，具有最高的受试者操作特征曲线下面积（AUROC=0.787）。62为了进一步优化MELD评分的拟合，W. Ray Kim团队在2021年引入了MELD 3.0版本，该版本增加了两个参数：性别和血清白蛋白，并调整了每个参数的权重以考虑白蛋白与肌酐、胆红素与钠之间的相互作用。研究结果显示，MELD 3.0比MELDNa提供了更准确的死亡率预测，其一致性统计（AUC）值为0.869，同时纳入并解决了等待名单结果的影响因素，包括性别差异。55].

这些改进版本的可用性反映了不断完善MELD评分系统以提高其预测准确性和临床实用性的持续努力。随着生物标志物、临床特征和基因组信息的不断发现，我们预计MELD评分系统将进一步优化，为肝硬化患者提供更加个性化和精准的治疗策略，延长生存期并改善生活质量。

传统的肝硬化失代偿期评分系统

代偿性失代偿作为肝硬化患者疾病进展的主要指标。及时识别从代偿期肝硬化向失代偿状态的转变，有望促进针对性的治疗干预，从而有可能延长生存期。肝功能衰竭是失代偿期肝硬化的严重并发症，通常代表一个慢性且进行性的过程，在特定诱因下可导致肝脏功能迅速恶化。它不仅限于急性或慢性肝功能衰竭，而是两种情况相互作用的结果。鉴于肝功能衰竭快速而动态的特性，及时和灵活的评估及管理方案至关重要。传统的肝硬化评分系统，如Child–Pugh和MELD评分，主要侧重于评估慢性肝硬化的疾病严重程度和患者预后，因此在急性评估和干预方面显得不足。63,64,65,66因此，ACLF的概念应运而生，并伴随着专门用于评估肝硬化失代偿的精确诊断标准。67,68,69,70].

对于肝硬化急性失代偿的患者，Jalan团队基于CANONIC研究数据库开发并验证了CLIF-C AD评分。年龄、血清钠水平、白细胞计数、肌酐水平和INR被确定为死亡率最可靠的预测指标。与Child–Pugh、MELD和MELD-Na评分系统相比，CLIF-C AD评分在预测死亡率方面表现出更高的准确性，其C指数更优。CLIF-C AD评分对3个月死亡率的预测能力，在使用第2天、第3至7天以及第8至15天的数据时，分别获得了0.72、0.75和0.77的C指数值。71CLIF-C AD评分在死亡率预测和预后改善中起着关键作用，但在其开发的队列中观察到相当大的预测误差（90天死亡率为26%）。这些观察结果强调了继续需要进行额外的研究和工具以完善肝硬化急性失代偿情况下的预后预测。

对于面临更严重肝衰竭的患者，欧洲、亚洲和北美的医学界分别引入了Clif-C-ACLF、AARC评分和NASCELD-ACLF等不同的评分系统。Clif-C-ACLF评分是一种基于简化器官功能评估系统的急性肝衰竭特异性预后工具，该系统被称为慢性肝衰竭联盟器官功能（CLIF-C OF）评分。此评分将年龄和白细胞计数相结合，以形成一个全面的预后指标。虽然多种临床变量和生化指标的纳入使Clif-C-ACLF评分具有强大的可靠性和综合性，但其复杂的计算过程却阻碍了它在临床上的广泛应用。72随后，相对高效的AARC评分被开发出来，该评分纳入了总胆红素、HE（肝性脑病）、INR（国际正常化比率）、血清肌酐和血清乳酸等预测因子。73此外，NACSELD 引入了 NACSELD-ACLF 评分，这是一个实用的床旁工具，用于预测失代偿性肝硬化的个体短期内的生存率，该评分基于一个多中心数据集。74]. 这些评分系统在评估ACLF患者预后方面各自做出了独特贡献，但在特定应用场景中存在局限。许多研究受限于样本量较小的问题，强调了开展大规模、多中心试验的必要性，以进一步阐明这些评分系统的有效性和适用性。75,76,77].

肝硬化失代偿期的管理在治疗和评估方面都面临着重大挑战。早期检测到患者的失代偿性肝硬化，有望指导医师实施及时干预措施，以减缓疾病进展、减少并发症、延长生存时间并提高患者的生活质量。7, 78, 79因此，开发失代偿期肝硬化的预测评估模型的需求十分迫切。2022年，Annika R. P. Schneider及其同事识别出关键的预测指标，并设计了一个创新性的早期预后评分系统，称为EPOD评分。该评分体系结合了血小板计数、白蛋白水平和胆红素浓度等参数，并通过Cox回归分析开发而成。与现有的MELD评分和Child–Pugh评分相比，EPOD评分在预测失代偿方面表现出更优越的预测性能。值得注意的是，EPOD评分能够预测3年内发生失代偿的概率，展示了其作为肝硬化管理中早期预后评估有价值的工具的潜力。80].

肝硬化预后评估工具的局限性及研究展望

Child-Pugh和MELD评分系统广泛用于肝硬化预后的评估，涵盖了四个关键的生化标志物，即血清白蛋白水平、凝血酶原活动度（INR）、血清胆红素水平和肌酐水平，以及两个临床诊断指标，腹水和肝性脑病（HE）。31, 51]. 具体应用见表2根据国内外广泛的实际经验，Child–Pugh和MELD评分系统在确定肝硬化预后时，在准确性和应用场景方面存在局限性。19, 44, 45, 50, 54, 81]. 在肝功能严重受损并伴有多种并发症的失代偿期肝硬化情况下，预后评估过程比慢性肝硬化复杂得多。因此，在失代偿期肝硬化的准确预后评估中，需要更加全面地考虑严重的生化指标和临床指征。EPOD评分、CLIF-C AD评分以及与ACLF患者相关的多个评分在实际临床应用中都存在局限性。首先，这些评分系统的计算过程相对复杂，并涉及多个参数。例如，MELD评分包括血清胆红素、INR（国际标准化比率）和血清肌酐等指标。这种复杂性使得没有计算工具或软件的情况下难以快速获得评分。82, 83其次，这些评分系统具有有限的适用性。例如，MELD评分最初是为了预测肝移植候选人的短期生存率而开发的，可能不适合用于评估非移植适应症的肝硬化患者的长期预后。84另一个例子是APASL AARC评分，该评分可能尚未在非亚洲人群中完全验证其适用性。85患者的病情是动态变化的，一些评分系统更加依赖时间因素，例如NACSELD提出的I-ACLF评分系统，该系统强调短期内（如4周内）急性肝损伤的发生。86这意味着患者可能需要频繁的评估以捕捉其病情的变化，这在资源有限的情况下可能是不切实际的。尽管这些评分系统旨在提高预后评估的准确性，但它们可能无法充分反映个体差异和复杂的临床情况，从而限制了预测准确性的提升及其应用范围。87未来的研究应优先考虑进一步的模型验证和优化，以增强多中心和大样本临床验证中的泛化性和准确性。此外，努力结合不同评分系统的优点来制定更全面和精确的预后指标是必要的。利用先进的技术如机器学习提供机会探索额外的生物标志物和预测因子，这些可能有助于提高评分系统的预测效果和稳定性。为了应对这些挑战，研究团队致力于识别与肝硬化预后相关的生物标志物，并推进更精细的肝硬化预后模型的发展和验证。新兴证据表明免疫生化标志物、微生物、基因、miRNAs以及超声成像数据与肝硬化的预后相关。88,89,90,91,92].

表2 Child–Pugh和MELD评分系统系列

新的生化标志物在肝硬化预后评估中的应用

近年来，除了用于Child-Pugh和MELD评分系统的标记物之外，越来越多与肝硬化预后密切相关的新的生物标志物被发现。93,94,95].

生化标志物

多项研究表明，血氨、抗凝血酶III、血清胱抑素C和尿NAG等标志物是肝硬化患者独立的死亡预测因素。96,97,98在MELD-Na评分系统中，血钠是关键指标，但Sumarsono的研究表明，血氯可能是更准确的预后指标。99在肝硬化的急性加重情况下，研究发现血清总皮质醇（t-Cort）和有效白蛋白浓度（eAlb）是ACLF患者失代偿进展和死亡的独立预测因素。100, 101上述标志物可以在一般的临床实验室中检测，具有及时性和低成本的优点，有利于大规模验证。

分子生物学技术的应用为肝硬化预后的研究带来了更多的新生物标志物。Gambino的研究揭示了尿源性中性粒细胞明胶酶相关脂质运载蛋白（uNGAL）作为肝硬化急性肾损伤（AKI）可靠生物标志物的实用性，通过酶联免疫吸附测定量化时具有显著的预后价值。102此外，调查表明肝型脂肪酸结合蛋白（L-FABP）在尿液中的预后意义对于失代偿性肝硬化的患者具有重要的预测价值，反映了其预后的实用性。103扎内托团队发现了前降钙素（PSP）水平与急性失代偿性肝硬化的发病之间的联系，为疾病进展提供了新的见解。104张等人证明了多种血浆代谢物与急性肝功能衰竭（ACLF）病例中90天死亡率以及非ACLF个体中的前ACLF情景之间的关键关联。105高通量蛋白质组学与机器学习的结合加速了蛋白质提取和分析的效率106基于此，理查兹团队在一步中识别出与肝静脉压力梯度（HVPG）反应相关的12种蛋白质标志物。107这些发现不仅推进了我们对肝硬化的机制的理解，也为提高预后评估的准确性奠定了研究基础。上述研究总结在表中。3.

表3 在肝硬化预后评估中的新型生化标志物

基于新型标志物的预后模型

在肝硬化治疗领域，预测患者的生存率和死亡率是实现精准医疗的关键。近年来，随着生物标志物的发现以及计算机技术的进步，提出了一系列预后评分模型以提高肝硬化预后的评估准确性。两个预后模型利用代谢产物4-羟基-3-甲氧基苯基二醇硫酸盐、己酰肉碱和D-半乳糖酸开发而成，在不同时间段内对失代偿期肝硬化的患者死亡率进行了稳健的预测。重要的是，这些模型在急性加重的慢性肝衰竭情况下超过了MELD-Na评分系统的预测能力。108Cagnin等人的研究验证了他们在医院收治的肝硬化肝细胞癌患者中，在特定时间间隔内其模型对死亡率预测的高度准确性。109与此同时，高氏等人改进了用于乳酸水平升高的肝硬化患者预后模型的[110]. 利用高通量蛋白质组学和机器学习技术，牛的团队成功地识别了5,515种蛋白质，并评估了22个机器学习模型。这一严格的评估过程最终选出了一个表现出色的预测能力的最佳模型，该模型在酒精性肝病引起的肝纤维化情况下的AUC评分为0.92，在轻度炎症情况下的AUC评分为0.87，在死亡率情况下的AUC评分为0.7982 [111这些针对特定肝硬化场景设计的统计模型，特别是在失代偿期和高乳酸血症等情况下，突显了为不同疾病进展阶段的患者建立个性化预后模型的美好前景。分子生物学的进步以及复杂统计方法的应用在精炼肝硬化的预后评估中起着关键作用，最终能够定制治疗方案并提高个体水平上的治疗效果。

微生物标记在肝硬化预后评估中的应用

近年来，人们越来越关注研究微生物与肝硬化的关系，特别是探索胆酸（BAs）和肠肝轴的影响。91,92,93]

微生物标记物

研究表明，与普通人群相比，肝硬化患者中肠杆菌科（潜在致病菌）的数量显著增加。112, 113]. 此外，肝硬化患者肠道微生物失调，主要表现为由于小肠细菌过度生长（SIBO）导致的菌群易位，成为肝硬化并发症的一个关键因素，并且是肝硬化死亡率的一个独立预测指标。114, 115除了肠道细菌之外，其他微生物群在肝硬化预后中的作用也显示出相关性。例如，Kim等建立了多药耐药（MDR）定植或感染与肝硬化患者无移植生存率降低之间的关联。这种关联在重症肝硬化患者中尤为明显，其中MDR定植或感染与预后恶化相关。116这些研究共同表明了微生物生物标志物在肝硬化中作为预后工具的潜力，为开发针对特定微生物群的治疗策略铺平了道路。

基因测序技术的应用

随着基因测序技术的普及，Solé团队利用宏基因组二代测序（mNGS）分析了肝硬化患者粪便样本中的微生物群落。他们的研究发现肠道菌群变化与MELD和Child-Pugh评分以及肝性脑病（HE）和感染等并发症之间存在相关性，有助于预测肝硬化患者的3个月生存率。91同时，李等人利用mNGS检测肝硬化急性失代偿期患者血浆中的非肝炎病毒1172023年，Jinato等人使用MO BIO PowerFecal DNA Isolation Kit（Qiagen）从肝硬化患者的粪便样本中提取基因组DNA，并进行了宏基因组测序。结果显示，与Streptococcus、Bacteroides和Lactobacillus相关的噬菌体的相对丰度较高，这与患者认知功能障碍的发展有关。这些发现可能有助于探索噬菌体作为影响肝硬化患者轻微肝性脑病（MHE）治疗选项的可能性。118通过精确捕捉微生物群落与宿主之间微妙的变化，基因测序技术在微生物分析和研究中的应用为肝硬化预后的新的生物标志物和评估方法提供了依据，显著提高了预后判断的准确性及临床实践的实用性。

肝硬化预后的miRNA标志物

外泌体miRNA作为新兴生物标志物，在乳腺癌、直肠癌和肺癌等癌症中的应用显示出巨大的潜力。随着对外泌体研究的深入，越来越多的证据支持其在肝硬化预后评估中的使用。119,120,121,122]. 外泌体是细胞分泌的纳米级囊泡，可以携带多种生物活性分子，包括蛋白质、miRNA和脂质。123,124,125,126这些成分在肝纤维化、炎症反应或肝细胞凋亡中扮演重要角色。127,128,129,130,131,132,133].

miRNA标志物

Rodrigues等人发现，特定的miRNAs（如hsa-miR-21-5p）是肝脏中从单纯性脂肪变性进展到非酒精性脂肪肝炎（NASH）以及与NASH相关的肝细胞癌的关键诱导因子。134此外，miR-218-5p和miR-301a-3p在肝纤维化过程中起重要作用[str］请注意，标点符号可能需要根据中文语法习惯进行适当调整，此处保留了原句的结构。135, 136], 而外泌体中的miR-21和miR-1247-3p也在肝硬化相关肝细胞癌(HCC)的发展中发挥关键作用[137, 138]. 动物模型可以模拟人类发病机制的各个方面，从而增进我们对肝硬化的发病机制和进展的理解。然而，没有一个单一的模型能够涵盖所有的人类肝硬化临床方面，每个模型在病理表现的本质上都有其特定的特点。134, 139], 纤维化的地理分布及其演变过程 [135, 136这样的限制使得利用患者衍生的miRNA研究进行互补研究成为未来研究的必然趋势。137, 138].

阿马拉尔等人在组织样本的实验中发现，肝硬化患者的miR-34a、miR-122和miR-885-5p水平显著升高，而miR-21与患者的生存率相关。139其他研究表明，miR-181b-5p可以预测腹水的发生[140], miR-1290和miR-1825的表达与肝细胞癌(HCC)的肿瘤大小和数量呈正相关[88], 并且即使外泌体中的miR-122也可以在HCC增殖中发挥抑制作用。这些miRNA的变化反映了肝脏的病理状态，尤其是在肝硬化患者中，与疾病的严重程度密切相关。141]. 外泌体 miRNAs 不仅可以作为监测疾病进展的生物标志物，还可以作为评估治疗效果的指标。此外，外泌体非侵入性的收集特性使它们成为理想的生物标志物，可以在不进行肝脏活检的情况下提供有关肝脏健康状况的信息 [142, 143], 展示了其在肝硬化预后评估中的重要临床应用价值。未来的研究应进一步探索其具体机制和临床转化潜力，为肝硬化患者提供更有效的预后评估策略（参见表）4（有关微生物标记和miRNA标记的更多细节请参见）

表4 微生物和miRNA标志物在肝硬化预后评估中的综合分析

高通量qPCR技术的应用

高通量定量聚合酶链反应（qPCR）技术的应用显著扩大了分析的范围和效率，可以作为研究肝硬化预后的宝贵工具。利用这项技术，研究人员已识别出多种miRNAs，包括miR-21、miR-26、miR-376a、miR-146a 和 miR-191，作为评估肝脏疾病严重程度和患者预后的指标。144, 145这些研究结果通过两项针对不同阶段肝硬化患者的研究得以证实。Cisilotto等人调查了在代偿期和非代偿期肝硬化患者中伴有或不伴急性-on-慢性肝功能衰竭（ACLF）的循环miRNA评估，并发现miR-25-3p和miR-223-3p有显著失调。145];然而，这些结果并未在Blaya等人的研究中得到证实。144]. 布莱亚的研究致力于识别与肝硬化和慢性急性肝衰竭（ACLF）进展相关的循环miRNA。无监督聚类和主成分分析的结果显示，主要的miRNA表达差异发生在失代偿期，其中miR-21、miR-26a 和 miR-376a 表达失调最为显著，并与多器官功能衰竭相关，可用于预测患者是否患有 ACLF。144这两项研究结果的差异可能是由于多种因素造成的，包括研究设计、样本差异、生物和临床因素的复杂性、数据分析和解释的限制以及实验误差和变异。需要进一步的大规模、多中心、标准化的研究来更准确地评估这些miRNA在肝病中的作用。此外，黄团队分析了肝脏研发（RND）转录本的肝RNA转录组高通量测序数据。利用深度残差神经网络技术，他们成功识别出九种与乙型肝炎病毒(HBV)相关的关键免疫信号，为HBV相关疾病的机制提供了前所未有的见解。146].

这些miRNA的表达调控，作为疾病进展的生物标志物，代表了一种有希望的治疗策略，可以缓解或潜在逆转肝硬化的病理进程。这种方法有助于临床医生监测疾病的进展和治疗效果，最终为患者带来更好的预后。

美国影像标志物在肝硬化患者预后评估中的应用

超声检查，主要包括腹部超声、计算机断层扫描（CT）和磁共振成像（MRI）技术，已逐渐成为肝硬化预后评估的一个内在组成部分。147,148,149].

美国/CT检测评估

在失代偿性肝硬化的初始诊断中，超声和CT均表现出高准确性，灵敏度分别为0.71和0.74，特异性分别为0.94和0.93150], 分别。广泛的调查研究了使用超声或CT成像来评估肝硬化患者肝脏硬度、脂肪变性和肌肉消耗的情况，为监测肝硬化的进展和预后提供了宝贵参考 [151,152,153,154,155,156然而，超声和CT对于代偿期肝硬化的诊断效果仍然较差，尤其是在Child-Pugh分级为A级的患者中。在这种情况下，超声和CT的敏感性分别下降到0.62和0.60。150这一诊断限制可能会阻碍在代偿期肝硬化的早期阶段进行及时干预，从而影响疾病的进展和预后。考虑到肝硬化通常会从代偿期逐渐发展到失代偿期，在失代偿期的患者往往需要反复住院，并面临更高的死亡风险，因此在代偿期早期进行诊断至关重要。5, 17, 157].

磁共振成像检测评估

近年来，磁共振成像技术的进步在肝脏疾病的早期诊断和预后评估方面显示了显著的好处。90, 158一项在美国进行的多中心研究证明，基于磁共振弹性成像（MRE）的肝脏硬度测量（LSM）能够有效预测代偿期和失代偿期肝硬化的未来进展。159类似的，Park、Loomba、Noureddin和Gidener等人的研究证实了MRI在早期评估NAFLD患者中的有效性。160,161,162,163在失代偿性肝硬化的情况下，回顾性研究已经表明MRI在早期检测肝细胞癌（HCC）方面优于超声。这种能力可能有助于更及时地进行治疗干预，从而改善生存率并减少疾病进展。90].

人工智能的应用

人工智能（AI）的应用对肝硬化预后评估带来了深刻的变化。引入AI技术，尤其是在图像识别和大数据分析方面的深度学习，展示了在提高诊断准确性和效率方面巨大的潜力。164通过自动化影像数据的分析，人工智能加速了诊断过程，提高了结果的一致性，并为临床医生提供了更加可靠的预后评估工具。

深度卷积神经网络（DCNN），是用于肝硬化预后最常用的深度学习方法之一，由多个层组成，包括卷积层、激活函数（如ReLU）、池化层和全连接层。它们可以通过模拟人眼视觉系统的操作处理图像数据，自动提取图像特征，并从成像角度为肝硬化的预后评估提供技术支持。例如，在预测肝硬化患者的临床结果中，肌肉质量的评估起着核心作用，而DCNN的应用使其能够自动从CT扫描中提取肌肉大小。基于密歇根大学参考分析形态队列5,268名患者的手动勾画腰大肌作为“真值”165], 王结合了深度卷积神经网络与CT扫描技术，实现了对腰大肌质量的自动化测量。这种方法不仅在空间重叠上与手动测量有很好的一致性，而且还显著提高了效率和一致性，为临床使用提供了一个新的预后评估工具。自动测量的腰肌大小已被证明可以预测肝硬化的患者的死亡率。2017年，Koichiro Yasaka等人利用深度卷积神经网络（DCNN）模型分析了钆塞酸二钠增强后的肝胆期MR图像，准确地识别出肝脏纤维化分期，并为非侵入性评估肝硬化提供了新的视角 [166]. 2020年，刘燕娜和她的团队开发了一种智能模型，使用深度卷积神经网络自动检测肝硬化患者临床上有意义的门脉高压（CSPH），通过对679名接受CT分析的受试者的10,014张肝脏图像和899张脾脏图像以及271名接受MRI分析的受试者的45,554张图像进行分析。该模型在基于MRI图像的测试中表现出高达0.940的高AUC，这一结果不仅展示了深度卷积神经网络（DCNN）用于非侵入性检测CSPH的潜力，还强调了其提高诊断速度和准确性的的重要性。然而，由于HVPG测量的侵入性和成本以及在早期患者中难以执行的问题，该研究的普遍适用性受到限制。未来的研究需要在更广泛的患者人群中验证这些模型的有效性，以确保它们在不同临床环境中的效果。167]. 钱宇等人基于患者的CT图像开发了一种自动肝静脉压力梯度（HVPG）定量估算模型，实现了对肝硬化患者和门脉高压患者的无创性肝静脉压力梯度分级。其AUC超过0.80，优于其他非侵入式工具，为无法进行经颈静脉HVPG测量的患者提供了一种有效的非侵入性HVPG初步预防方法。然而，该研究存在一定程度的选择偏差，并且没有收集受试者的随访数据。未来需要纳入非门脉高压肝硬化患者来更新模型。168深度学习在肝硬化预后评估中的应用展示了其在图像处理和特征提取方面的强大能力，为临床医生提供了更准确高效的诊断工具。

随着技术的不断进步和临床数据的积累，人工智能有望在肝硬化预后评估中发挥更重要的作用。未来的研究需要更大的样本量以及明确的模型开发，并且需要持续优化和验证现有的技术，以确保人工智能技术的临床应用并进一步促进其在肝脏疾病治疗领域的应用，为患者提供更准确的诊断和治疗。这些研究的详细信息见表5此外，目前在线上可以找到一系列与肝病研究相关的开源数据集和模型，详情见表……6提供持续研究所需的基本支持。

表5 患有肝病的美国患者使用的影像技术
表6 开源数据集和开源模型列表

肝硬化预后评估的未来研究方向

肝硬化是指慢性肝脏损害的终末期，其病理进展受多种因素的影响，包括原发疾病、患者的生活方式和遗传易感性。这些因素使得对肝硬化患者的预后进行准确评估变得复杂。虽然常用的评估指标如Child–Pugh评分和MELD评分被广泛用于评价这些患者的预后，但它们主要反映了更广泛的患者群体的共通风险而非针对个体患者的特定风险。36, 169,170,171]. 此外，当前的生物标志物不足以精确预测并发症或急性恶化。随着肝硬化的发展，肝脏的功能逐渐丧失，在失代偿期会导致严重的并发症，如门脉高压、食管静脉曲张出血和肝细胞癌（HCC），这些都会严重影响多个器官系统。这些问题会增加患者的痛苦和经济负担，并可能导致不可逆的急性和慢性肝功能衰竭，从而导致与肝硬化相关的高死亡率。172,173,174].

对于一些存活下来的失代偿期肝硬化患者而言，疾病的复杂性和严重性需要持续的医疗干预，这对其生活质量及心理健康产生了深远的影响。然而，肝纤维化以及肝硬化的早期阶段是可逆的状态。及时且准确地评估肝硬化患者的预后，并适当调整治疗策略，对于改善患者结局和降低死亡率至关重要。175, 176因此，探索新的方法学和开发创新工具以进行肝硬化的预后评估是未来肝脏疾病研究的关键领域。

随着医疗技术的发展，肝硬化预后评估的研究正在逐步推进，从传统的临床评分系统转向由免疫学、微生物学和miRNAs等高通量技术衍生的创新生物标志物。请参见图。3为了更多细节，请参见附加信息。此外，复杂成像技术和人工智能在分析中的整合正在提高这些预测评估的精确性。这些前沿技术与方法不仅提高了肝硬化预后的准确性，也增强了临床医生对疾病进展的理解，最终目标是改善患者结果。虽然部署这些创新评估工具有望彻底改变传统的评估方法，但也带来了一系列挑战，尤其是在将人工智能应用于肝硬化的预后评估时。

图3
figure 3

肝硬化预后评估研究趋势：图形表示。a呈现了关于人工智能在肝硬化预后评估中应用的年度出版物数量的统计分析。它展示了所有AI算法，包括浅层和深层神经网络的每年文献产出情况。描述了在肝硬化预后评估中AI文献的发展，特别是神经网络算法的变化。b提供重要里程碑文章的统计和描述。它包括预后工具的历史概述，免疫生物化学和微生物学中先进技术的应用，miRNA以及新标志物的发现历史，强调肝硬化预后评估工具的进化变化。

从常规临床和实验室数据研究到多组学研究

肝硬化作为一种慢性且进行性的肝脏疾病，其特点是早期阶段症状隐匿以及晚期阶段伴随多种并发症的复杂性。预后主要依赖于临床观察、影像学检查、实验室检测及特定评估工具，这些涵盖了多样化的数据来源和类型。临床医生需要综合大量数据以作出有根据的诊断和治疗决策，并且面临着数据异质性和其动态特性所带来的挑战。177,178,179]. 电子健康记录（EHRs）为有效整合和管理此类数据提供了关键支持。然而，传统的统计分析不足以阐明众多变量之间的复杂相互关系和互动，并且缺乏处理高维数据的能力，因此无法用于肝硬化患者数据的分析。此外，局限于单一生物学层次或临床表现的实验室和临床数据，未能提供对肝硬化的分子机制进行全面了解，限制了预后评估的准确性和全面性。这清楚地表明了在肝硬化领域进行多维度生物研究的重要性。

分子生物学研究的进步以及高通量技术（如质谱、下一代测序和基因芯片技术）的应用，为获得包括基因组学、转录组学、蛋白质组学和代谢组学在内的各种生物维度的数据提供了途径。这些工具为理解不同生物分子在有机体内的复杂相互作用和调控关系提供了新的见解，并揭示了肝硬化病理生理机制，为全面评估肝硬化的预后提供了坚实的研究基础。180,181,182].

然而，多组学数据也面临着由于其多样性、高维度、大规模和复杂性所带来的重大且固有的挑战。处理多组学数据的复杂性远远超过标准实验室和临床数据，这对数据处理和分析能力提出了严格的要求和挑战。183, 184].

AI算法，特别是机器学习算法，在处理非线性关系和复杂模式方面表现出色，能够有效地捕捉数据中的复杂模式和相关性。这些算法以其适应性和灵活性为特点，可以自动根据数据的特定特征和问题的复杂程度进行调整和优化。185, 186因此，它们在处理大规模和高维度数据方面非常高效。因此，在大数据和高级分析的时代，将人工智能集成到医疗领域，特别是用于肝硬化的预后评估，代表了一种不可避免的发展趋势。

肝硬化的潜在生物标志物挖掘

与此同时，先进技术的应用和多组学研究的发展为挖掘肝硬化潜在生物标志物提供了强大的工具和平台。利用人工智能技术分析与肝硬化的相关数据有助于深化对其病理生理机制的探索，并为肝硬化的预后评估奠定研究基础。例如，各种机器学习和深度学习算法在识别与肝硬化相关的微生物标记和超声影像特征方面提供支持。此外，基因在决定个体遗传特性中起着关键作用，包括疾病易感性、身体特征以及某些行为倾向。因此，基因变异可能会影响肝脏的关键过程，如代谢、免疫和纤维化。通过分析肝病患者的基因组序列，可以识别与肝硬化进展相关的基因变异。187, 188转录组学和蛋白质组学研究可以分别分析肝硬化患者组织或血液中基因表达和蛋白修饰状态的变化，这些变化可能进一步反映肝脏功能的病理改变。189然而，根据我们的研究，人工智能在肝硬化相关生物标志物探索中的应用相对较少，并且大多数研究忽略了肝硬化的多组学数据。人工智能的应用有可能为肝硬化的诊断、治疗和预后评估提供更准确可靠的生物标志物。未来的研究人员应进一步探索和验证这些生物标志物对肝硬化预后的敏感性和特异性。通过结合新的生物标志物和预测模型，预期可以进一步提高肝硬化预后的准确性。

肝硬化患者的死亡预测

肝硬化患者的预后和死亡率预测对于确定肝脏移植和其他干预措施的最佳时机至关重要。传统的评分系统，如Child–Pugh和MELD，由于包含主观指标，在预测个体患者预后方面存在局限性，这在临床应用中带来了一定的限制。然而，人工智能已显示出在提高肝硬化患者死亡率预测方面的巨大潜力。190,191,192,193].

例如，在2003年，Banerjee等人利用人工神经网络模型预测肝硬化患者的1年死亡率，内部验证准确率为91%，灵敏度和特异度分别为90%和92%。该模型在预测能力上明显优于传统的逻辑回归模型和Child–Pugh评分。194]. 类似地，Cucchetti团队基于251名连续的肝硬化患者的数据构建了一个人工神经网络模型，该模型在准确预测患者未来三个月内死亡风险方面超过了MELD评分的表现。该模型为更好地决定肝脏移植候选人的优先级提供了重要指导，有效降低了等待名单上患者的死亡率 [195]. Suzanne等人在另一项创新应用中，利用随机森林机器学习算法识别出13种在非酒精性脂肪肝病（NAFLD）中的宏基因组特征，这些特征比MELD模型更能预测死亡风险。人工智能的应用为复杂宏基因组数据的分析提供了强大的技术支持，通过分析它们与肝脏失代偿之间的复杂关系，提取出了显著的宏基因组衍生特征。这种方法为预测与NAFLD相关的肝硬化患者的死亡风险提供了一种新的方法。196].

这些开创性的成果展示了人工智能挖掘临床数据深度和提高预测准确性的强大能力。然而值得注意的是，大多数当前由人工智能驱动的死亡率预测模型仍然主要依赖于常规临床数据，如实验室检测结果和临床表现，而忽略了多组学数据。197, 198]. 组学数据，包括基因组学、转录组学、蛋白质组学和代谢组学，可以提供更全面和深入的生物信息，并揭示疾病发生和发展背后的分子机制。例如，Suzanne R等人使用随机森林算法从非酒精性脂肪肝病（NAFLD）患者的宏基因组数据中筛选出13个关键特征196]. 这些特征作为预测死亡的指标优于MELD模型，展示了组学数据在肝硬化预后评估中的巨大潜力。探索基于组学数据建立肝硬化死亡预后模型将是提高预测准确性并实现个性化医学的关键步骤。预计这将从更广泛的视角揭示肝硬化的复杂病理生理过程，并通过整合多组学数据建立起更为全面和精细的预后评价体系。165, 197,198,199尽管组学数据的应用展示了巨大的潜力，但也面临着若干限制和挑战。例如，不同实验室之间的技术和程序差异使得直接整合数据变得困难，从而影响了分析的一致性和可靠性。组学数据分析的高维度和复杂性使其过程极其耗时，需要开发更高效的数据预处理、降维和模式识别技术。同时，隐私和伦理问题是一些难以忽视的问题。如何在合法合规的情况下使用这些数据来保护患者隐私已成为亟待解决的重要问题。同时，目前大多数死亡率预测模型是基于小样本量、单中心研究建立的，其普适性尚未通过进一步多中心、大规模的研究得到验证。165, 199].

肝硬化相关并发症的预测

肝硬化尤其是终末期的管理非常复杂，伴有多种可能突然导致患者死亡的严重并发症。

预测死亡率确实是理解肝硬化患者生存和预后的关键方面。能够预测并发症的风险提供了对特定健康风险及疾病进展可能路径的洞察，这对于早期检测和干预至关重要。这种主动的方法旨在减少并发症的发生率和严重程度，从而提高患者的生存质量并有可能降低死亡率。然而，肝硬化及其相关并发症对于预测提出了独特的挑战。每个并发症都有其特有的特征，准确评估与每一个并发症相关的风险对于有效诊断、治疗和管理肝硬化患者至关重要。机器学习分析，包括支持向量机、决策树和随机森林，在识别和从大规模复杂数据集中学习患者特征与并发症发生之间的关联模式方面特别有价值。通过这样做，它们能够预测肝硬化患者可能出现的潜在并发症，为疾病管理提供显著优势。例如，Singal 使用回归分析和机器学习算法开发了一种用于预测肝硬化患者发展成HCC（肝细胞癌）的风险模型。该模型表明，机器学习算法在预测 HCC 发展方面超过了传统的回归模型，提高了对肝硬化患者的危险分层准确性，并能够识别出高风险的 HCC 患者。200]. 同样，Audureau团队基于836名HCV相关肝硬化患者的临床信息构建了一个HCC预测模型，使用Fine-Gray回归作为基线，并结合随机生存森林和单个决策树（DT）以及竞争风险生存分析（RSF）。这种方法能够根据患者病毒学状态准确预测HCC的风险，通过揭示癌症预测因素之间的复杂相互作用，增强了对肝硬化患者HCC风险的评估，并为开发更具成本效益的个性化监测项目提供了指导。184此外，基于人工神经网络的深度学习算法在处理复杂数据和提取高级特征方面展示了显著的能力。深度神经网络模型也在肝硬化并发症的预测评估中做出了重要贡献。201福田等人利用带有反向传播算法的三层前馈神经网络开发了一个用于客观评估肝硬化患者肝脏实质回声模式的神经网络分析系统，计算出一个粗略评分（CS），该评分被证明是预测HCC进展的一个有用的预测因子。202此外，李团队基于419例B病毒代偿期肝硬化的CT图像和临床信息构建了一个深度学习模型。结果表明，利用基于深度学习的CT分析结合血小板比值获得的脾脏体积对于检测高风险静脉曲张以及评估肝硬化患者静脉曲张出血的风险是有用的。这些研究强调了深度学习技术在评估肝硬化并发症风险和智能分层患者方面的有效性。203]. 在肝硬化并发症的AI研究中，重点集中在肝细胞癌（HCC）和食管静脉曲张的出现上，特别是相关的出血风险。204,205,206,207,208,209然而，针对腹水、肝性脑病（HE）、门静脉高压、肝衰竭和门静脉血栓等其他并发症的研究却相对较少。考虑到每种并发症都可能对患者造成不同程度的不可逆损害，未来的研究应该关注更广泛的肝硬化相关并发症的风险。168, 210,211,212,213,214].

此外，尽管复杂的机器学习模型和深度学习神经网络在处理和分析复杂数据方面表现出强大的能力，但它们的“黑盒”性质可能会阻碍解释性，影响模型输出的公平性和安全性。开发可解释的机器学习模型以及用于解释和解读模型决策的技术和工具，在人工智能研究中至关重要。这种对透明度的关注对于建立在肝硬化预后评估中使用AI的信任至关重要，确保人工智能的进步有效地且道德地为患者护理做出贡献。

基于深度学习技术的动态多模态预测模型构建

总之，目前在肝硬化预后评估中全面应用人工智能受到了依赖单一模式数据的限制。虽然单一模式的数据可以提供特定方面的见解，但它们不能完全捕捉患者的总体状况，并可能限制预测模型的准确性和可靠性。相比之下，多模态数据提供了更为全面和精确的表现形式，提高了对肝硬化患者病情评估和预测的准确性。来自肝硬化患者的临床数据、实验室结果以及病理学数据为构建多模态模型奠定了坚实的基础。此外，疾病的复杂性需要对肝硬化的病理生理机制和发病机制有扎实的理解，进一步倡导开发多模态数据分析处理模型作为人工智能在肝硬化预后应用中的必然趋势。216, 217]. 这些模型的具体构建和数据集成是未来研究工作的核心。深度学习作为一种先进的机器学习形式，利用更深的神经网络结构和更复杂的算法来执行复杂的学习任务，并在肝硬化预后评估中变得越来越重要。然而，使用深度学习技术的研究相对较少，大多数基于浅层神经网络，表明深层神经网络的应用需要进一步的发展和实施。此外，疾病的异质性和动态性要求具备实时病情监测的能力。传感器和可穿戴设备等技术提供了连续的数据流，使生理参数和患者活动的持续监控成为可能。这些数据流为实时跟踪病情变化的研究奠定了基础，产生了大量的时间序列数据。目前的文献表明，大多数基于人工智能的预测模型在肝硬化预后评估中主要处理静态数据。因此，利用动态数据构建实时预警评估模型代表了未来研究的另一个重要方向，有望改变肝硬化的管理和患者护理格局 [218, 219].

我们预计通过多学科协作研究以及来自各个领域的数据整合与分析，将能够在理解肝硬化病理生理机制方面取得重大进展。同时，多模态模型的发展和实施有望做出贡献。这些进步预计将最终促成一个更准确的实时早期预警系统用于肝硬化的预后评估。所有这些努力的总体目标是有效应对这一难以治愈的疾病，并提高诊断和预后工具的精确度，最终改善患者的结果并挽救更多的生命。

数据和材料的可用性

不适用。

缩写词汇表

MELD:

终末期肝病模型

AI:

人工智能

CLD:

慢性肝病

GBD：全球疾病负担

全球疾病负担

NAFLD：非酒精性脂肪肝病

非酒精性脂肪肝病

ALD:

自身免疫性肝病

乙型肝炎病毒：

乙型肝炎病毒

丙型肝炎病毒:

丙型肝炎病毒

他：

肝性脑病

HCC: Hepatocellular carcinoma 肝细胞癌

肝细胞癌

CLIF-ACLF: CLIF合并急性肝衰竭：

慢性肝衰竭 急性-on-慢性肝衰竭 注：通常医学术语“acute-on-chronic”直译为“急性-on-慢性”，但为了保持专业术语的一致性，这里可以保留原文形式。如果需要完全中文表达，则可以翻译为“急性加重的慢性肝衰竭”。根据要求，只输出直接翻译结果如下： 慢性肝衰竭 急性-on-慢性肝衰竭

CLIF-C 广告：

慢性肝衰竭联盟急性失代偿

EPOD:

早期预测代偿失调

ALBI:

白蛋白-胆红素

Clif-C-ACLF:

慢性肝衰联盟急性-on-慢性肝衰竭

AARC:

美国呼吸护理协会

NACSELD: （如果这是一个缩写或代码且没有进一步说明其含义，则保持不变）

北美终末期肝病研究联盟

中华民国：

接收者操作特性曲线

微RNA：

微小RNA

美国：

超声波

印度卢比：

国际标准化比率

小贴士：

经颈静脉肝内门体分流术

收缩压：

自发性细菌性腹膜炎

BA:

细菌感染

AUC: AUC

曲线下面积

MELD-Na:

血清钠的MELD评分

iMELD: （此部分没有可翻译的实际内容）

集成MELD

OPTN:_optn_（由于提供的词或短语“OPTN”在没有上下文的情况下可能是一个缩写或者特定领域的术语，在这里无法给出确切的中文翻译。如果这是一个专门领域内的缩写，请提供更多的信息以便进行准确翻译。）根据要求只输出翻译结果，原文为： OPTN:

器官获取和移植网络

CLIF-C OF:

慢性肝衰联盟器官衰竭

CysC: （如无具体句子或短语供翻译，保持原样输出）

半胱氨酸蛋白酶抑制剂C

uNAG:

尿液N-乙酰-β-D-葡萄糖胺酶

t-Cort:

总皮质醇

eAlb: 云负载均衡器（eAlb 是 Enhanced Application Load Balancer 的简称）

有效白蛋白浓度

UNGAL:

尿液中性粒细胞明胶酶相关载脂蛋白

AKI: Akika（阿基卡）或 Access Key ID（访问密钥ID），请根据具体上下文提供更多信息以便准确翻译。由于没有更多上下文信息，这里提供了两种可能的解释。如果没有实际内容需要翻译，则输出原文： AKI:

急性肾损伤

L-FABP:肝脏脂肪酸结合蛋白

肝型脂肪酸结合蛋白

PSP:

前肽素

高压喷射灌注：（注：由于提供的英文缩写"HVPG"在不提供上下文的情况下可能对应多个医学或工程技术领域的术语，在这里仅提供了较为常见的中文表述。如果具体指代某一专业领域的内容，请提供完整句子以便准确翻译。）原文"HVPG:"若无特殊说明，直接输出为："HVPG:"

肝静脉压力梯度

小肠细菌过度生长：

小肠细菌过度生长

MDR:

多重耐药性

mNGS: metagenomic next-generation sequencing宏基因组下一代测序

宏基因组二代测序

MHE:

轻微肝性脑病

纳什：

非酒精性脂肪肝炎

qPCR: 数量实时聚合酶链反应

定量聚合酶链反应

研发部门：

研究与开发

CT: CT扫描

计算机断层扫描

MRI: 磁共振成像：

磁共振成像

MRE:

磁共振弹性成像技术

LSM: LSM树或Log-Structured Merge Tree的缩写，是一种数据库文件存储结构。

肝脏硬度测量

DCNN: DCNN（深度卷积神经网络）

深度卷积神经网络

CNN:

卷积神经网络

3D全卷积网络：

三维全卷积网络

电子健康记录：

电子健康记录

CS:

粗略分数

AT: AT:（此处没有可翻译的实际内容）

抗凝血酶

ELISA：enzyme-linked immunosorbent assay 酶联免疫吸附试验

酶联免疫吸附试验

NHV:

非肝嗜性病毒

LiTS:)LiTS（Liver Tumor Segmentation Dataset）肝脏肿瘤分割数据集

肝脏肿瘤分割

ILPD:肝脏脂肪变性指數

印度肝病患者数据集

LIHC:

肝细胞癌

地理：

基因表达概览数据库

TCGA:

癌症基因组图谱

参考文献

  1. 中华医学会肝病学分会. 肝硬化的管理指南. 临床肝脏病杂志. 2019;27(11):846-65.

    谷歌学术 

  2. H Yoshiji, N Nagoshi, A Akahane 等. 2020年基于证据的肝硬化临床实践指南. 胃肠病学杂志. 2021;56(7):593-619.

    文章  PubMed  PubMed Central  谷歌学术 

  3. Chi Q, Wang D, Sun T, et al. 基于无监督共识聚类和免疫细胞浸润的肝硬化药物靶点的综合生物信息学和体外研究. Front Pharmacol. 2023;13: 909668.

    文章  PubMed  PubMed Central  谷歌学术 

  4. 蓝Y，王H，翁H等。全球疾病负担研究2019肝硬化及其病因的负担结果。 hepatol commun. 2023;7(2): e0026. 注意：人名部分由于原文中可能使用了缩写（如Lan Y, Wang H, Weng H），在翻译时保留了同样的形式，如果需要进一步处理，请告知。

    文章  PubMed  PubMed中央  谷歌学术 

  5. Tapper EB, Parikh ND. 肝硬化及其并发症的诊断和管理：综述. JAMA. 2023;329(18):1589-1602.

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  6. 伍Z, 王W, 张K等. 1990至2019年全球肝硬化发病率趋势：连接点和年龄-时期-队列分析。J Med Virol. 2023;95(6): e28858.

    文章  CAS  PubMed  谷歌学术 

  7. Angeli P, Bernardi M, Villanueva C, 等. 欧洲肝脏研究协会（EASL）关于失代偿期肝硬化患者管理的临床实践指南。J Hepatol. 2018;69(2):406–60.

    文章  谷歌学术 

  8. DS王子, Nash E, 刘K. 酒精相关性肝病：不断演变的概念和治疗。Drugs. 2023;83(16):1459-74.

    文章  PubMed  PubMed中央  谷歌学术 

  9. Signal AK, Mathurin P. 酒精相关性肝病的诊断和治疗：综述. JAMA. 2021;326(2):165-76.

    文章  CAS  PubMed  谷歌学术 

  10. Abraldes JG, Caraceni P, Ghabril M, 等. 肝硬化的并发症治疗进展. Clin Gastroenterol Hepatol. 2023;21(8):2100–9.

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  11. L KASL肝硬化临床实践指南：静脉曲张、肝性脑病及相关并发症。Clin Mol Hepatol, 26(2): 83. 2020

  12. 徐世英. 食管胃底静脉曲张的预防和管理. 临床分子肝病学. 2018;24(1):20.

    文章  PubMed  谷歌学术 

  13. jang JW, Choi JY, Kim YS 等人。治疗对慢性乙型肝炎病毒感染和失代偿期肝硬化的短期和长期结局的影响。Clin Gastroenterol Hepatol. 2018;16(12):1954–63.

    文章  PubMed  谷歌学术 

  14. LD侄子，Knapp SM，Mohamed KA等。2009-2018年美国住院治疗失代偿期肝硬化的患者接受救命手术的种族和民族差异趋势。JAMA Netw Open. 2023;6(7):e2324539–e2324539.

    文章  PubMed  PubMed Central  谷歌学术 

  15. Kronborg TM, Schierwagen R, Trošt K, 等. 氯匹格雷用于肝硬化的患者：一项随机、双盲、安慰剂对照试验. Hepatol Commun. 2023. 注：原文中的“阿托伐他汀”可能有误，根据上下文和文献惯例，这里推测可能是药物名称错误，正确药物应为“氯匹格雷”或其它，请核实。但按照指令要求只输出翻译结果且未添加任何注释，此处补充说明以便准确理解任务需求。若严格按照不加解释的要求，则直接翻译阿托伐他汀如下： Kronborg TM, Schierwagen R, Trošt K, 等. 阿托伐他汀用于肝硬化的患者：一项随机、双盲、安慰剂对照试验. Hepatol Commun. 2023. 根据要求调整后，最终翻译为： Kronborg TM, Schierwagen R, Trošt K, et al. 阿托伐他汀用于肝硬化的患者：一项随机、双盲、安慰剂对照试验. Hepatol Commun. 2023.https://doi.org/10.1097/HC9.0000000000000332.

    文章  PubMed  PubMed Central  谷歌学术 

  16. Garcia-Pagan JC, Francoz C, Montagnese S, 等. 肝硬化的重大并发症的管理：指南之外。J Hepatol. 2021;75:S135–46.

    文章  PubMed  谷歌学术 

  17. Ginès P, Krag A, Abraldes JG, 等. 肝硬化. Lancet. 2021;398(10308):1359–76.

    文章  PubMed  谷歌学术 

  18. Sanyal AJ, Anstee QM, Trauner M, 等。非酒精性脂肪肝病患者肝硬化逆转与临床结局改善相关。Hepatology. 2022;75(5):1235–46.

    文章  CAS  PubMed  谷歌学术 

  19. Jepsen P, Watson H, Macdonald S, 等。MELD仍然是肝硬化伴严重腹水门诊患者死亡率的最佳预测指标。Aliment Pharmacol Ther. 2020;52(3):492–9.

    文章  PubMed  谷歌学术 

  20. Signal AG, Kanwal F, Llovet JM. 肝细胞癌流行病学的全球趋势：对筛查、预防和治疗的影响. Nat Rev Clin Oncol. 2023;20(12):864–84.

    文章  PubMed  谷歌学术 

  21. 王华，余林，黄萍等。肿瘤相关外泌体参与肝细胞癌的发生、诊断和治疗。临床与转化肝脏病杂志。2022；10(3)：496。

    文章  PubMed  PubMed中央数据库  谷歌学术 

  22. Forner A, Reig M. 肝细胞癌 Bruix J. The Lancet. 2018;391(10127):1301–14.

    文章  PubMed  谷歌学术 

  23. Nardelli S, Riggio O, Gioia S, 等. 肝硬化的肝性脑病和死亡的危险因素：认知障碍、肌肉改变和分流的作用。Dig Liver Dis. 2022;54(8):1060–5.

    文章  CAS  PubMed  谷歌学术 

  24. Krishnarao A, Gordon FD. 肝性脑病的预后。Clin Liver Dis. 2020;24(2):219–29.

    文章  PubMed  谷歌学术 

  25. 彭H，张Q，罗L等。基于肌少症的急性-on-慢性肝功能衰竭预后模型。Hep Int. 2022;16(4):964–72.

    文章  谷歌学术 

  26. 楚萨基斯EA，博施J，伯罗乌斯AK. 未来肝硬化的治疗方法. 消化病学与肝脏病学专家评论. 2014;8(5):571–81.

    文章  CAS  PubMed  谷歌学术 

  27. 小野友树， Kosori K, 金崎秀人 等。急性失代偿对肝细胞癌患者预后的影响。PLoS ONE. 2022;17(1): e0261619.

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  28. Gülcicegi DE, Goeser T, Kasper P. 肝硬化及其并发症的预后评估：当前概念和未来展望。Front Med. 2023;10:1268102.

    文章  谷歌学术 

  29. Valainathan SR, 谢Q, Arroyo V, 等. 肝硬化的急性失代偿和ACLF的预后算法. Liver Int. 2024.https://doi.org/10.1111/liv.15927.

    文章  PubMed  谷歌学术 

  30. 儿童CG。手术和门脉高压。肝脏门脉高压。1964；1：85。

    谷歌学术 

  31. Pugh R, Murray-Lyon I, Dawson J, 等人. 食管曲张静脉出血的食管切断术。Br J Surg. 1973;60(8):646–9.

    文章  CAS  PubMed  谷歌学术 

  32. Kok B, Abraldes JG. 儿童-佩吉特分类：是时候放弃了吗？肝脏疾病研讨会. Thieme Med Publ. 2019;39:096–103. 注：原文中的“Child-Pugh Classification”通常指的是“Child-Pugh评分”，而不是“儿童-佩吉特分类”。因此，考虑到上下文的专业性，建议翻译为“Child-Pugh评分”。如果要严格按照字面意思翻译，则应保持原意。这里提供两种可能的翻译方式供参考： 1. 严格按原文直译：儿童-佩吉特分类：是时候放弃了吗？ 2. 根据专业背景调整后的版本：Child-Pugh评分：是时候放弃了吗？ 如果必须严格按照原文内容，输出为： Kok B, Abraldes JG. 儿童-佩吉特分类：是时候放弃了吗？肝脏疾病研讨会. Thieme Med Publ. 2019;39:096–103.

    谷歌学术 

  33. Tandon P, Abraldes JG, Keough A, 等. 根据Child-Pugh分级肝硬化伴急性静脉曲张出血患者细菌感染的风险及抗生素的影响。Clin Gastroenterol Hepatol. 2015;13(6):1189–96.

    文章  PubMed  谷歌学术 

  34. Marrero JA, Kudo M, Venook AP等。索拉非尼在临床实践中用于Child-Pugh各亚组的观察性注册研究：GIDEON研究。J Hepatol. 2016;65(6):1140–7.

    文章  CAS  PubMed  谷歌学术 

  35. Macaron C, Hanouneh IA, Suman A 等人. Child-Pugh 评分低于 8 分的肝硬化患者进行心脏手术的安全性. Clin Gastroenterol Hepatol. 2012;10(5):535–9.

    文章  PubMed  谷歌学术 

  36. Durand F, Valla D. 肝硬化的预后评估：Child-Pugh与MELD。J Hepatol. 2005;42(1):S100–7.

    文章  PubMed  谷歌学术 

  37. Kim TH, Yun SG, Choi J, 等人。根据MELD和Child-Pugh评分，血清25-羟基维生素D3水平对肝硬化患者预后的影响不同。J Korean Med Sci. 2020.https://doi.org/10.3346/jkms.2020.35.e129.

    文章  PubMed  PubMed中央库  谷歌学术 

  38. Salgüero S, Medrano LM, González-García J, 等人。血浆IP-10和IL-6与晚期HCV相关肝硬化的Child-Pugh B级肝硬化有关：一项横断面研究。Sci Rep. 2020;10(1):10384.

    文章  PubMed  PubMed中央库  谷歌学术 

  39. 渡边Y，相川M，加藤T等。Child-Pugh B7和B8/9肝硬化对肝细胞癌腹腔镜肝切除术的影响：一项回顾性队列研究。Surg Endosc. 2023;37(2):1316–33.

    文章  PubMed  谷歌学术 

  40. 小岛C，有井S，田中S等。Child-Pugh评分5和6在行根治性肝切除术的肝细胞癌患者中的预后作用。Am J Surg. 2015;209(1):199–205.

    文章  谷歌学术 

  41. 王X，张M，肖J等。基于血浆氨的改良Child-Pugh评分可预测失代偿期肝硬化患者的生存率。QJM An Int J Med. 2023;116(6):436–42.

    文章  CAS  谷歌学术 

  42. 文X，姚M，吕Y等。将前白蛋白整合到Child-Pugh分类中可提高考虑根治性手术的肝细胞癌患者的预后预测准确性。J Clin Transl Hepatol. 2018;6(4):377.

    PubMed  PubMed中央库  谷歌学术 

  43. 平岡A，久万田T，道隆K，等。新提出的ALBI分级和ALBI-T评分作为评估肝细胞癌患者肝功能和预后的工具。肝脏癌症。2019；8(5)：312–25。

    文章  CAS  PubMed  谷歌学术 

  44. Kumada T, Toyoda H, Tada T, 等。肝细胞癌患者30年来背景肝脏功能的变化：Child-Pugh分级与白蛋白-胆红素分级的比较。肝癌. 2020;9(5):518–28.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  45. Johnson PJ, Berhane S, Kagebayashi C等. 肝细胞癌患者肝功能评估的新证据基础方法——ALBI分级. J Clin Oncol. 2015;33(6):550–8.

    文章  PubMed  谷歌学术 

  46. Kudo M. 新近开发的改良ALBI分级对肝细胞癌具有更好的预后和预测价值。肝脏癌症。2022；11(1)：1-8。

    文章  CAS  PubMed  谷歌学术 

  47. Pinato DJ, Kaneko T, Saeed A, �etc. 肝细胞癌患者免疫治疗中轻度至重度肝功能障碍的ALBI分级辅助作用。Cancers。2020；12(7)：1862。

    文章  CAS  PubMed  PubMed中央库  谷歌学术 

  48. 平岡A，久磨T，工藤M等。日本肝病学会 hepatocellular carcinoma (HCC) 临床实践指南中的 ALBI（白蛋白-胆红素）分级：与肝脏损害和 Child-Pugh 分类的比较。肝癌。2017；6(3):204–15.

    文章  PubMed  PubMed中央数据库  谷歌学术 

  49. 黄F，高J. 修改后的Child-Pugh分级与白蛋白-胆红素分级在预测肝切除术后肝细胞癌患者预后中的应用。世界胃肠病学杂志。2020；26(7)：749。

    文章  CAS  PubMed  PubMed中央  谷歌学术 

  50. Malinchoc M, Kamath PS, Gordon FD, 等. 预测经颈静脉肝内门体分流术患者预后不良的模型. Hepatology. 2000;31(4):864–71.

    文章  CAS  PubMed  谷歌学术 

  51. D'amico G, Maruzzelli L, Airoldi A, 等. 终末期肝病模型评分在死亡率预测中的性能及其病因潜在作用. J Hepatol. 2021;75(6):1355–66.

    文章  PubMed  谷歌学术 

  52. Papatheodoridis GV, Cholongitas E, Dimitriadou E, 等。MELD与Child-Pugh及改良的Child-Pugh评分（基于肌酐）在预测失代偿期肝硬化患者生存方面的比较。世界胃肠病学杂志：WJG。2005;11(20):3099。

    文章  PubMed  PubMed Central  谷歌学术 

  53. Botta F, Giannini E, Romagnoli P等。MELD评分系统有助于预测肝硬化患者预后，并与剩余肝功能相关：一项欧洲研究。Gut. 2003;52(1):134-9.

    文章  CAS  PubMed  PubMed中央  谷歌学术 

  54. JJ国王，Halliday N，Mantovani A等。Bacterascites在MELD预测之外预示着较差的患者预后。Liver Transpl. 2023;29(4):356–64. 注：此处“JJ国王”可能是指作者名字King JJ，为了保持原文风格，建议保留为"King JJ"。因此更准确的翻译应该是： King JJ, Halliday N, Mantovani A等。Bacterascites在MELD预测之外预示着较差的患者预后。Liver Transpl. 2023;29(4):356–64.

    文章  PubMed  谷歌学术 

  55. Kim WR, 曼纳利塔拉 A, 海姆巴赫 JK, 等. MELD 3.0：适用于现代时代的终末期肝病模型更新。胃肠病学。2021;161(6):1887–95.

    文章  PubMed  谷歌学术 

  56. Biggins SW, Kim WR, Terrault NA, 等. 基于证据的血清钠浓度在MELD中的应用。胃肠病学。2006;130(6):1652–60.

    文章  PubMed  谷歌学术 

  57. Heuman DM, Mihas AA, Habib A, et al. MELD-XI：一种合理的方法，用于需要抗凝治疗的肝硬化患者“先救治最危重病人”的肝脏移植。Liver Transpl. 2007;13(1):30–7.

    文章  PubMed  谷歌学术 

  58. Luca A, Angermayr B, Bertolini G 等人。一个综合的MELD模型，包括血清钠和年龄，可以改善肝硬化患者早期死亡率的预测。Liver Transpl. 2007;13(8):1174–80.

    文章  PubMed  谷歌学术 

  59. Kalra A, Wedd JP, Biggins SW. 移植优先级的变化：MELD-Na、肝细胞癌例外情况及其他。Curr Opin Organ Transplant. 2016;21(2):120-6.

    文章  PubMed  谷歌学术 

  60. Goudsmit BF, Putter H, Tushuizen ME, 等. MELD-Na评分在Eurotransplant区域的验证. 美国移植杂志. 2021;21(1):229-40.

    文章  CAS  PubMed  谷歌学术 

  61. Wernly B, Lichtenauer M, Franz M 等人。排除 INR 的终末期肝病模型（MELD-XI）评分在重症患者中的应用：易于获取且具有预后价值。PLoS ONE. 2017;12(2): e0170987.

    文章  PubMed  PubMed中央档案馆  谷歌学术 

  62. 施毅，杨扬，胡颖等。由肝脏损伤引起的急性-on-慢性肝衰竭与由肝外因素引起的急性-on-慢性肝衰竭不同。肝病学。2015；62(1)：232–42。

    文章  PubMed  谷歌学术 

  63. 葛杰，金WR，莱JC，等。超越MELD——改善肝移植死亡率预测、器官分配和结局的新兴策略和技术。J Hepatol. 2022;76(6):1318-29.

    文章  PubMed  PubMed Central  谷歌学术 

  64. Godfrey EL, Malik TH, Lai JC等. 在肝病病因变化的时代MELD预测能力的下降。Am J Transplant. 2019;19(12):3299–307.

    文章  PubMed  谷歌学术 

  65. Moreau R, Jalan R, Gines P, 等. 急性-on-慢性肝衰竭是一种在肝硬化急性失代偿患者中发展的独特综合征。胃肠病学。2013;144(7):1426–37.

    文章  PubMed  谷歌学术 

  66. Hernaez R, Kramer JR, Liu Y, 等。急性-on-慢性肝衰竭的患病率和短期死亡率：一项来自美国的全国队列研究。J Hepatol. 2019;70(4):639–47.

    文章  PubMed  谷歌学术 

  67. Arroyo V, Moreau R, Kamath PS, 等. 肝硬化的急性-on-慢性肝衰竭。Nat Rev Dis Primers。2016；2(1)：1–18。

    文章  谷歌学术 

  68. 赫纳茨 R, 李 H, 马罗 R, 等. 急性-on-慢性肝衰竭的定义、诊断和流行病学. 肝脏国际. 2023.https://doi.org/10.1111/liv.15670.

    文章  PubMed  谷歌学术 

  69. Arroyo V, Moreau R, Jalan R. 急性-on-慢性肝功能衰竭。N Engl J Med. 2020;382(22):2137–45.

    文章  CAS  PubMed  谷歌学术 

  70. Sarin SK, Choudhury A, Sharma MK等。急性-on-慢性肝衰竭：亚洲太平洋肝脏研究协会（APASL）共识建议更新。Hep Int. 2019;13:353–90.

    文章  谷歌学术 

  71. Jalan R, Pavesi M, Saliba F, 等。用于预测无急性-on-慢性肝衰竭的住院肝硬化患者的预后的CLIF联盟急性失代偿评分（CLIF-C ADs）。J Hepatol. 2015;62(4):831–40.

    文章  PubMed  谷歌学术 

  72. Jalan R, Saliba F, Pavesi M 等人. 急性-on-慢性肝功能衰竭患者死亡率预测评分的开发与验证. J Hepatol. 2014;61(5):1038–47.

    文章  PubMed  谷歌学术 

  73. Choudhury A, Jindal A, Maiwall R, 等. 肝衰竭决定了急性-on-慢性肝衰竭 (ACLF) 患者的预后：APASL ACLF 研究联盟 (AARC) 和 CLIF-SOFA 模型的比较。Hep Int. 2017;11:461–71.

    文章  CAS  谷歌学术 

  74. Rosenblatt R, Shen N, Tafesh Z 等人。北美终末期肝病-急性-on-慢性肝衰竭评分准确预测生存率：使用全国队列的外部验证。Liver Transpl. 2020;26(2):187–95.

    文章  PubMed  谷歌学术 

  75. 曹Z，刘Y，蔡M等。NACSELD和EASL-CLIF分类系统在预测肝硬化住院患者预后中的应用。Am College Gastroenterol ACG官方期刊。2020;115(12):2026–35.

    文章  谷歌学术 

  76. 莱奥 GS，卢兰迪 FL，皮康 RV 等。急性-on-慢性肝功能衰竭：三种不同诊断标准的比较。Ann Hepatol. 2019;18(2):373–8.

    文章  PubMed  谷歌学术 

  77. Oleary JG, Reddy KR, Garcia-Tsao G, 等。NACSELD急性-on-慢性肝衰竭（NACSELD-ACLF）评分可预测肝硬化住院患者30天生存率。肝脏病学。2018;67(6):2367–74.

    文章  CAS  PubMed  谷歌学术 

  78. 黄F，Reddy KR，Tandon P等。失代偿期肝硬化的院内死亡率预测（伴有急性-慢性肝功能衰竭）。肝脏移植。2022；28(4)：560–70。

    文章  PubMed  谷歌学术 

  79. Chandna S, Zarate ER, Gallegos-Orozco JF. 肝硬化的失代偿期及其相关综合征的管理。外科临床杂志。2022;102(1):117–37.

    PubMed  谷歌学术 

  80. Schneider AR, Schneider CV, Schneider KM 等人。早期预测失代偿 (EPOD)评分：非侵入性确定肝硬化失代偿风险。Liver Int. 2022;42(3):640–50.

    文章  PubMed  谷歌学术 

  81. 江明，刘芳，熊文静，等。四种终末期肝病模型在评估肝硬化预后中的比较。世界胃肠病学杂志：WJG。2008；14(42)：6546。

    文章  PubMed  PubMed中央库  谷歌学术 

  82. 彭Y，齐X，郭X。Child-Pugh与MELD评分在肝硬化预后评估中的比较：一项观察性研究的系统评价和meta分析。医学杂志。2016；95(8)：e2877。

    文章  PubMed  PubMed Central  谷歌学术 

  83. Porte R, Lisman T, Tripodi A, 等. MELD评分中的国际标准化比率（INR）：问题与解决方案。Am J Transplant. 2010;10(6):1349-53.

    文章  CAS  PubMed  谷歌学术 

  84. 阿斯拉尼SK，卡马特PS。终末期肝病模型评分和MELD例外情况：15年后。Hep Int。2015；9(3)：346–54。

    文章  谷歌学术 

  85. 沙林 SK，乔杜里 A. 急性-on-慢性肝功能衰竭的管理：算法方法。Hep Int. 2018;12:402–16.

    文章  谷歌学术 

  86. 余泽，张勇，曹燕，等. 基于临床指标趋势的急性-on-慢性肝功能衰竭预后动态预测模型。Sci Rep. 2021;11(1):1810.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  87. Baldin C, Piedade J, Guimarães L, 等。CLIF-C AD评分可预测住院肝硬化患者急性失代偿和生存情况。Dig Dis Sci. 2021.https://doi.org/10.1007/s10620-020-06791-5.

    文章  PubMed  谷歌学术 

  88. Hassan M, Nasr SM, Amin NA等. 循环肝癌干细胞及其与干细胞性相关的MicroRNAs作为由病毒性 hepatitis 引起的肝硬化和 hepatocellular carcinoma 的诊断和预后生物标志物。非编码RNA研究。2023;8(2):155–63.

    文章  CAS  PubMed  谷歌学术 

  89. Romero-Cristóbal M, Clemente-Sánchez A, Peligros MI, 等. 肝脏和脾脏体积与代偿期和失代偿期肝硬化的预后相关，并与其自然病程相平行。United Euro Gastroenterol J. 2022;10(8):805–16.

    文章  谷歌学术 

  90. 余SJ，尤J-J，李DH等。将MRI作为肝硬化患者肝细胞癌监测检查可以改善预后。Biomedicines. 2023;11(2):382.

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  91. Solé C, Guilly S, Da Silva K 等。定量元基因组学评估的肝硬化患者肠道微生物群的变化：与急性-on-慢性肝功能衰竭和预后的关系。胃肠病学。2021;160(1):206–18.

    文章  PubMed  谷歌学术 

  92. 宁NZ, 李T, 张 JL等. 肝硬化患者腹水感染的临床和细菌学特征及预后. BMC感染病. 2018;18:1-11.

    文章  谷歌学术 

  93. 谢毅，何川，王伟。预后营养指数：预测失代偿期肝硬化的预后的潜在生物标志物。前沿营养。2023；9：1092059。

    文章  PubMed  PubMed Central  谷歌学术 

  94. Van Den Boom BP, Stamouli M, Timon J, 等人。von Willebrand 因子是急性肝硬化患者短期死亡率的独立预测因子。肝脏国际。2023;43(12):2752–61.

    文章  PubMed  谷歌学术 

  95. Mynster Kronborg T, Webel H, O’connell MB,等。新诊断的肝硬化的生存预测标志物：一项前瞻性登记研究。Sci Rep. 2023;13(1):20039.

    文章  CAS  PubMed  PubMed中央库  谷歌学术 

  96. 须藤崇，高取英树，早坂哲，等。血浆抗凝血酶III水平可作为门静脉血栓形成肝硬化患者的预后因素。国际分子科学杂志。2023；24(9)：7732。

    文章  CAS  PubMed  PubMed中央档案馆  谷歌学术 

  97. 金TH，徐YS， Kang SH等。失代偿性肝硬化的血清和尿液肾标志物的预后预测能力：一项多中心前瞻性研究。Liver Int. 2020;40(12):3083–92.

    文章  CAS  PubMed  谷歌学术 

  98. Tranah TH, Ballester M-P, Carbonell-Asins JA等. 血浆氨水平可预测临床稳定的肝硬化门诊患者的肝相关并发症住院和死亡率。J Hepatol. 2022;77(6):1554–63.

    文章  CAS  PubMed  谷歌学术 

  99. Sumarsono A, 王 J, 谢 L, 等. 低氯血症在失代偿期肝硬化重症患者预后价值的研究. Crit Care Med. 2020;48(11):e1054–61.

    文章  CAS  PubMed  谷歌学术 

  100. Baldassarre M, Naldi M, Zaccherini G, 等. 肝硬化失代偿患者有效白蛋白的测定：临床和预后意义. Hepatology. 2021;74(4):2058–73.

    文章  CAS  PubMed  谷歌学术 

  101. 哈特尔 L，西姆布伦纳 B，雅克斯 M，等。稳定期肝硬化的垂体-肾上腺信号轴功能障碍与预后不良相关。JHEP报告。2023；5(8)：100789。

    文章  PubMed  PubMed Central  谷歌学术 

  102. Gambino C, Piano S, Stenico M, 等。尿液中性粒细胞明胶酶相关脂质运载蛋白在肝硬化伴急性肾损伤患者中的诊断和预后性能。Hepatology. 2023;77(5):1630–8.

    PubMed  谷歌学术 

  103. Juanola A, Graupera I, Elia C, 等。尿液 L-FABP 是预测失代偿性肝硬化患者 ACLF 和死亡率的有希望的预后生物标志物。J Hepatol. 2022;76(1):107–14.

    文章  CAS  PubMed  谷歌学术 

  104. Zanetto A, Pelizzaro F, Mion MM, 等. 向更精确的肝硬化急性失代偿预后分层迈进：帕多瓦模型2.0。United Euro Gastroenterol J. 2023;11(9):815–24.

    文章  CAS  谷歌学术 

  105. 张Y，谭W，王X等。代谢生物标志物显著增强了HBV相关ACLF发生和结局的预测。J Hepatol. 2023;79(5):1159–71.

    文章  PubMed  谷歌学术 

  106. 何Q，钟C-Q，李X等。Dear-DIAXMBD：深度自编码器使数据独立获取蛋白质组学去卷积成为可能。研究。2023；6：0179。

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  107. Richards SM, 郭峰, 姚辉, 等. 无创候选蛋白标志物预测持续病毒学应答后肝硬化患者肝静脉压力梯度下降. 肝脏国际. 2023;43(9):1984–94.

    文章  CAS  PubMed  谷歌学术 

  108. Weiss E, De La Peña-Ramirez C, Aguilar F, 等. 急性失代偿性肝硬化的交感神经激活、线粒体功能障碍及其预后：代谢组学预测模型（CLIF-C MET）。Gut. 2023;72(8):1581–91.

    文章  CAS  PubMed  谷歌学术 

  109. Cagnin S, Donghia R, Martini A等。Galad评分作为肝细胞癌患者预后标志物的研究。Int J Mol Sci. 2023;24(22):16485.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  110. 高锋，黄晓林，蔡明新，等. 肝硬化伴急性-on-慢性肝功能衰竭危重患者血清乳酸动力学的预后价值：一项多中心研究. 衰老. 2019;11(13):4446.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  111. 牛L, 蒂尔M, 吉耶尔PE, 等. 酒精相关性肝病的非侵入性蛋白质组生物标志物. 自然医学. 2022;28(6):1277–87.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  112. 黄X-y，张Y-h，伊S-y等。肠道微生物群在肝硬化门静脉血栓形成发展中的潜在贡献。Front Microbiol. 2023;14:1217338.

    文章  PubMed  PubMed中央库  谷歌学术 

  113. 福田久晴. 肠道微生物群与肝脏疾病中宿主反应. 微生物. 2015;3(4):759-91.

    文章  CAS  PubMed  PubMed中央档案馆  谷歌学术 

  114. Efremova I, Maslennikov R, Alieva A 等人。小肠细菌过度生长与肝硬化的不良预后相关。微生物。2023;11(4):1017.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  115. Bernardi M, Moreau R, Angeli P, 等。肝硬化的失代偿和器官功能衰竭机制：从外周动脉血管扩张到全身炎症假说。J Hepatol. 2015;63(5):1272–84.

    文章  CAS  PubMed  谷歌学术 

  116. Kim M, Cardoso FS, Pawlowski A, 等人. 多重耐药微生物对重症监护病房中肝硬化危重患者的影响：一项队列研究. Hepatol Commun. 2023;7(2): e0038.

    文章  PubMed  PubMed Central  谷歌学术 

  117. 李B，洪C，范Z等。肝硬化急性失代偿患者血浆中微生物细胞游离DNA的预后和治疗意义。J Hepatol. 2023;78(2):322–32.

    文章  CAS  PubMed  谷歌学术 

  118. Jinato T, Sikaroodi M, Fagan A � etc. 肠道病毒组的变化与肝硬化患者认知功能和轻微肝性脑病的横断面和纵向相关。Gut Microbes. 2023;15(2):2288168.

    文章  PubMed  PubMed中央库  谷歌学术 

  119. 刘C，陈J，廖J等。血浆外泌体长RNA在小细胞肺癌诊断和预测中的应用。Cancers。2022；14(22)：5493。

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  120. 李Y，何X，李Q等。EV-起源：利用外泌体线性范围谱图枚举循环细胞外囊泡的组织-细胞来源。计算结构生物技术杂志。2020；18：2851–9。

    文章  CAS  PubMed  PubMed中央文献数据库  谷歌学术 

  121. 苏Y，李Y，郭R等。血浆外泌体长RNA谱在乳腺癌诊断和治疗反应预测中的应用。NPJ乳腺癌症。2021；7(1)：154。

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  122. 李Y，李Y，余S，等。循环EV长RNA基分类和去卷积可预测PDAC的免疫标志物和临床结局。分子治疗-核酸酸。2021；26：488–501。

    文章  CAS  谷歌学术 

  123. 李S，李Y，陈B等。exoRBase：人类血液外泌体中circRNA、lncRNA和mRNA的数据库。Nucleic Acids Res. 2018;46(D1):D106–12.

    文章  CAS  PubMed  谷歌学术 

  124. 来海，李颖，张辉等. exoRBase 2.0：人类生物液体外泌体中 mRNA、lncRNA 和 circRNA 的图谱。Nuc Acids Res. 2022;50(1):118–28.

    文章  谷歌学术 

  125. 李Y，赵J，余S，等。细胞外囊泡长链RNA测序揭示人类血液中大量mRNA、circRNA和lncRNA作为癌症诊断潜在生物标志物。Clin Chem. 2019;65(6):798–808.

    文章  CAS  PubMed  谷歌学术 

  126. 黄L, 张L, 陈X. 微小RNA与复杂疾病进展的更新综述：计算模型的分类、趋势和挑战. 生物信息简报. 2022;23(5):358.

    文章  谷歌学术 

  127. Starkey Lewis PJ, 亲爱的J, Platt V, 等. 循环中的微小RNA作为人类药物引起的肝损伤潜在标志物. Hepatology. 2011;54(5):1767-76. 注：原文中"Dear J"可能为笔误或特殊署名方式，按原样保留。

    文章  CAS  PubMed  谷歌学术 

  128. 刘J，肖Y，吴X等。循环microRNA特征作为非酒精性脂肪肝炎的无创诊断和预后生物标志物。BMC基因组学。2018；19：1-10。

    文章  CAS  谷歌学术 

  129. 文Y，韩J，陈J等。血浆miRNA作为检测肝细胞癌的早期生物标志物。国际癌症杂志。2015；137(7)：1679–90。

    文章  CAS  PubMed  谷歌学术 

  130. 钱Z，杨C，徐L等。肝炎E病毒编码的微小RNAs通过抑制I型干扰素促进病毒复制。FASEB J. 2022;36(1): e22104.

    文章  CAS  PubMed  谷歌学术 

  131. Raitoharju E, Seppälä I, Lyytikäinen L-P, 等. 血液中的 hsa-miR-122-5p 和 hsa-miR-885-5p 水平与脂肪肝及其相关脂蛋白代谢有关—年轻芬兰人研究。Sci Rep. 2016;6(1):38262.

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  132. 周泽，卓磊，傅欣，等。联合掩蔽和自监督策略用于推断小分子-miRNA关联。分子治疗—核酸。2024；35(1)：102103。

    文章  CAS  谷歌学术 

  133. 张X，刘M，李Z等。融合多源关系和拓扑结构以推断长链非编码RNA-蛋白质相互作用。分子治疗—核酸。2024；35(2)：102187。

    文章  CAS  谷歌学术 

  134. 罗德里格斯PM，阿丰索MB，西蒙奥AL等。miR-21-5p促进与非酒精性脂肪性肝炎相关的肝细胞癌生成。肝脏国际。2023；43(10):2256–74。

    文章  CAS  PubMed  谷歌学术 

  135. 张S, 刘J, 饶K等. 乙型肝炎病毒相关急性-on-慢性肝衰竭患者肝源性外泌体通过miR-218-5p抑制FGFR2信号通路从而阻碍肝脏再生。Hep Int. 2023;17(4):833–49.

    文章  谷歌学术 

  136. 陈X，朱S，陈S-Y，等. miR-301a-3p通过调节PTEN/PDGFR-β促进肝星状细胞活化和肝纤维发生。Int Immunopharmacol. 2022;110: 109034.

    文章  CAS  PubMed  谷歌学术 

  137. 曹L-q，杨X-w，陈Y-b等. 外泌体miR-21通过调节TETs/PTENp1/PTEN通路促进肝细胞癌生长. Mol Cancer. 2019;18:1–14.

    文章  谷歌学术 

  138. 方唐，吕虹，吕刚，等. 肿瘤源性外泌体miR-1247-3p诱导癌相关成纤维细胞活化以促进肝癌肺转移. 自然通讯. 2018;9(1):191.

    文章  PubMed  PubMed Central  谷歌学术 

  139. Amaral AE，Rode MP，Cisilotto J等。来自稳定期肝硬化的患者血清样本中的MicroRNA谱型及miRNA-21作为无移植生存预测因子。Pharmacol Res. 2018;134:179–92.

    文章  谷歌学术 

  140. De Paredes AGG, Villanueva C, Blanco C, 等。血清 miR-181b-5p 可预测代偿期肝硬化患者腹水的发生。JHEP reports. 2021;3(6): 100368.

    文章  谷歌学术 

  141. Basu S, Bhattacharyya SN. 胰岛素样生长因子-1通过防止相邻细胞产生miR-122来限制其在细胞间的转移，以确保人类肝癌细胞的增殖。Nucleic Acids Res. 2014;42(11):7170–85.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  142. 塔米米 A，贾维德 M，塞迪奇-皮尔斯拉伊 N等。外泌体在非酒精性脂肪肝病诊断和治疗中的前景。Frontiers in Medicine。2024；11：1420281。

    文章  谷歌学术 

  143. 王S-H，赵Y，王C-C等. RFEM：基于旋转森林和多特征融合的小鼠关键microRNA识别框架。Comput Biol Med. 2024;171: 108177.

    文章  CAS  PubMed  谷歌学术 

  144. Blaya D, Pose E, Coll M, 等. 肝硬化和急性-on-慢性肝衰竭患者循环microRNAs的谱型分析。JHEP 报告。2021;3(2): 100233.

    文章  PubMed  PubMed Central  谷歌学术 

  145. Cisilotto J, Do Amaral AE, Rosolen D, 等。急性-on-慢性肝功能衰竭患者血清样本中的MicroRNA谱型及miR-25-3p作为生存预测潜在生物标志物的研究。Sci Rep. 2020;10(1):100.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  146. 黄杰，赵策，张旭，等。与乙型肝炎病毒发病机制相关的免疫信号揭示氨基酸利用相关风险因素指导基于人工智能的精准医疗。Frontiers in Pharmacology. 2022;13:1079566.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  147. 谭B-G，唐Z，欧J，等。基于MRI肝脾体积和门静脉直径预测乙型肝炎肝硬化的食管静脉曲张出血的新模型。Euro Radiol. 2023;33(2):1378–87.

    文章  谷歌学术 

  148. 徐XY，丁HG，李WG等.中国肝硬化管理指南（简版）.世界胃肠病学杂志.2020；26(45):7088.

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  149. 金SY，安J，林Y-S等。用于高风险肝细胞癌患者的肝硬化监测的特定肝脏对比磁共振成像。JAMA Oncol. 2017;3(4):456–63.

    文章  PubMed  PubMed Central  谷歌学术 

  150. Hetland LE, Kronborg TM, Thing M, 等。超声和CT对代偿期肝硬化的诊断准确性不足：前瞻性队列研究的证据。Hepatol Commun. 2023;7(9): e0231.

    文章  PubMed  PubMed Central  谷歌学术 

  151. 布朗 S，理查森 B，布凯特 E，等. 肝移植后肝硬化相关肌少症可能不会缓解。JHEP 报告。2023；5(11)：100881。

    文章  PubMed  PubMed Central  谷歌学术 

  152. Bhanji RA, Moctezuma-Velazquez C, Duarte-Rojo A, 等。肌脂肪浸润和肌肉减少症与肝硬化患者肝性脑病相关。Hep Int. 2018;12:377–86.

    文章  谷歌学术 

  153. 康 SH, 敖 WK, 白 SK, 等. 肌少症对肝硬化预后价值的影响：超越肝静脉压力梯度和MELD评分. J Cachexia Sarcopenia Muscle. 2018;9(5):860–70.

    文章  PubMed  PubMed Central  谷歌学术 

  154. Engelmann C, Schob S, Nonnenmacher I, 等。旁腰肌质量丢失是肝硬化特有的性别相关后果，预示并发症和死亡。Aliment Pharmacol Ther. 2018;48(11-12):1271-81.

    文章  PubMed  谷歌学术 

  155. 尼科莱蒂 A，艾诺拉 ME，奇通尼 M，等。直接抗病毒药物治疗与丙型肝炎相关肝硬化患者并发症的肝脏硬度动力学预测。Dig Liver Dis. 2023;55(11):1472–9.

    文章  CAS  PubMed  谷歌学术 

  156. Kim HS, 李杰, Kim EH 等人。肌少脂肪症与非酒精性脂肪肝病严重程度和肝脏纤维化的关系：基于计算机断层扫描的视觉肌肉质量图研究。糖尿病与代谢杂志。2023;47(1):104–17.

    文章  PubMed  PubMed Central  谷歌学术 

  157. 沃尔特·KL。什么是肝硬化？JAMA。2023。https://doi.org/10.1001/jama.2023.8935.

    文章  PubMed  谷歌学术 

  158. Sandrasegaran K, Akisik FM, Lin C等. 扩散加权MRI在评估肝纤维化和肝硬化的价值。Am J Roentgenol. 2009;193(6):1556-60.

    文章  谷歌学术 

  159. Gidener T, 尹 M, Dierkhising RA, 等. 磁共振弹性成像在慢性肝病长期进展和预后预测中的应用：一项回顾性研究. Hepatology. 2022;75(2):379–90.

    文章  PubMed  谷歌学术 

  160. Gidener T, Ahmed OT, Larson JJ, 等. 磁共振弹性成像测定的肝脏僵硬度预测非酒精性脂肪肝病未来发生肝硬化、失代偿和死亡。Clin Gastroenterol Hepatol. 2021;19(9):1915–24.

    文章  PubMed  谷歌学术 

  161. Park CC, 阮 P, 埃尔南德斯 C, 等. 在经活检证实的非酒精性脂肪肝病患者中，磁共振弹性成像与瞬时弹性成像在检测纤维化和无创测量脂肪变性方面的比较。胃肠病学。2017;152(3):598–607。

    文章  PubMed  谷歌学术 

  162. Loomba R, 崔 J, Wolfson T, 等。用于非侵入性诊断非酒精性脂肪肝病（NAFLD）晚期纤维化的新型三维磁共振弹性成像：一项前瞻性研究。Am College Gastroenterol ACG 官方期刊. 2016;111(7):986–94.

    文章  谷歌学术 

  163. Noureddin M, Truong E, Gornbein JA, 等。基于MRI的（MAST）评分可准确识别具有显著纤维化的NASH患者。J Hepatol. 2022;76(4):781–7.

    文章  PubMed  谷歌学术 

  164. 柯杰，王丽，饶俊等。深度学习在医学图像分析中的应用。IEEE_ACCESS。2017；6：9375–89。

    文章  谷歌学术 

  165. 王_NC，张_P，Tapper_EB，等。使用深度学习自动测量肌肉质量可以预测肝病患者的临床结局。美国胃肠病学院官方杂志ACG。2020；115(8)：1210–6。

    文章  谷歌学术 

  166. yasaka K, akai H, kunimatsu A 等人。肝脏纤维化：使用甘果酸增强肝胆期MRI图像进行分期的深度卷积神经网络。放射学。2018;287(1):146–55.

    文章  PubMed  谷歌学术 

  167. 刘Y，宁Z，Örmeci N，等。深度卷积神经网络辅助检测肝硬化患者的门脉高压。Clin Gastroenterol Hepatol. 2020;18(13):2998–3007.

    文章  PubMed  谷歌学术 

  168. 余Q，黄Y，李X等。基于影像的人工智能模型用于非侵入性评估肝硬化门脉高压患者的静脉压力梯度。Cell Rep Med. 2022;3(3):15.

    谷歌学术 

  169. 阿斯拉尼 SK，卡马特 PS。食管静脉曲张出血后早期死亡的预测：MELD 得分再加一分。胃肠病学。2014；146(2)：337-9。

    文章  PubMed  谷歌学术 

  170. Reverter E, Tandon P, Augustin S 等人。基于MELD模型确定急性静脉曲张出血患者死亡风险。胃肠病学。2014；146(2)：412–9。

    文章  PubMed  谷歌学术 

  171. Angermayr B, Luca A, König F 等。肝硬化病因影响终末期肝病模型评分预测的生存率。欧洲临床调查杂志。2009;39(1):65–71。

    文章  CAS  PubMed  谷歌学术 

  172. Guardiola J, Baliellas C, Xiol X, 等. 难治性腹水肝硬化患者生存预测模型的外部验证. Am J Gastroenterol. 2002;97(9):2374-8.

    PubMed  谷歌学术 

  173. Ampuero J, Simón M, Montoliú C, 等。轻微肝性脑病和临界闪烁频率与肝硬化患者生存率相关。胃肠病学。2015;149(6):1483–9。

    文章  PubMed  谷歌学术 

  174. 丸山浩，奥川英纪，高桥明，等。与病毒感染相关的肝硬化中新发门静脉血栓的预测因素及长期预后。美国胃肠病学院官方期刊ACG。2013;108(4):568–74。

    文章  谷歌学术 

  175. 巴塔勒 R，戴维德 A. 肝纤维化。临床调查杂志。2005；115：209-18。

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  176. 孙M，Kisseleva T. 肝纤维化的可逆性. 临床肝胆病学与胃肠病学. 2015;39:S60–3.

    文章  PubMed  PubMed中央档案馆  谷歌学术 

  177. Levesque E, Hoti E, Azoulay D等。肝硬化患者入住重症监护病房的预后评分前瞻性评估。J Hepatol. 2012;56(1):95–102.

    文章  PubMed  谷歌学术 

  178. V Das, Boelle P-Y, Galbois A �etc. 肝硬化患者在内科重症监护室的早期预后和长期生存。Crit Care Med. 2010;38(11):2108–16.

    文章  PubMed  谷歌学术 

  179. 萨利巴 F，伊查伊 P，勒韦斯克 E，等。肝硬化患者在重症监护室的预后标志物和结局。Curr Opin Crit Care. 2013;19(2):154-60.

    文章  PubMed  谷歌学术 

  180. 胡H, 冯Z, 硅XS, 等. 使用scVDN识别SARS-CoV-2感染细胞. 前沿微生物学. 2023;14:1236653.

    文章  PubMed  PubMed中央数据库  谷歌学术 

  181. 王威，张丽，孙杰等。基于图卷积网络和条件随机场的人长非编码RNA-微小RNA相互作用预测。生物信息学快报。2022；23(6)：463。

    文章  谷歌学术 

  182. 李X，秦X，黄C，等.SUnet：一种基于多注意力的多器官分割网络。Comput Biol Med. 2023;167: 107596.

    文章  PubMed  谷歌学术 

  183. Kanwal F, Taylor TJ, Kramer JR 等人。开发、验证和评估用于预测肝硬化死亡率的简单机器学习模型。JAMA Netw Open. 2020;3(11):e2023780–e2023780.

    文章  PubMed  PubMed Central  谷歌学术 

  184. Audureau E, Carrat F, Layese R, et al. 利用适应HCV状态的机器学习进行肝硬化患者肝细胞癌的个性化监测. J Hepatol. 2020;73(6):1434–45.

    文章  PubMed  谷歌学术 

  185. 余K-H, Beam A L, Kohane I S. 医疗领域的人工智能. 自然生物医学工程. 2018;2(10):719-31.

    文章  谷歌学术 

  186. 王莉, 亚历山大CA. 医疗工程与医疗卫生中的大数据分析：方法、进展和挑战. 医学工程技术杂志. 2020;44(6):267-83.

    文章  PubMed  谷歌学术 

  187. 小泉K，小玉T，村井H等。转录组学鉴定血纤蛋白酶原-2为非酒精性脂肪肝炎和晚期肝纤维化的生物标志物。肝脏病学。2021;74(5):2452–66。 注意：“thrombospondin-2”在医学文献中通常翻译为“血纤蛋白酶原-2”，但为了准确性，建议根据具体上下文或相关研究领域的常用译法进行调整。如果需要更准确的术语翻译，请提供更多信息或参考特定领域内的标准翻译。

    文章  CAS  PubMed  谷歌学术 

  188. Eslam M, Hashem AM, Romero-Gomez M, 等. FibroGENE：一种基于基因的肝纤维化分期模型。J Hepatol. 2016;64(2):390–8.

    文章  CAS  PubMed  谷歌学术 

  189. Corey KE, Pitts R, Lai M 等人。ADAMTSL2 蛋白和可溶性生物标志物谱型识别非酒精性脂肪肝病成人中存在风险的非酒精性脂肪性肝炎和纤维化。J Hepatol. 2022;76(1):25–33.

    文章  CAS  PubMed  谷歌学术 

  190. 邹WY，Enchakalody BE，张P，等。利用人工智能对腹部CT扫描进行身体成分的自动化测量可以预测肝硬化的患者死亡率。Hepatology Commun. 2021;5(11):1901–10.

    文章  谷歌学术 

  191. 郭A，Mazumder NR，Ladner DP等。利用机器学习预测电子健康记录中肝硬化患者死亡率。PLoS ONE。2021；16(8)：e0256428。

    文章  CAS  PubMed  PubMed Central  谷歌学术 

  192. Mahmud N, Fricker Z, Lewis JD等。肝硬化患者术后失代偿和感染的风险预测模型：一项退伍军人事务队列研究。Clin Gastroenterol Hepatol. 2022;20(5):e1121–34.

    文章  PubMed  谷歌学术 

  193. 郑莉, 卢艳, 吴静, 等. 酒精性肝硬化的ICU患者预后预测 nomogram模型的建立与验证. 肝脏病学杂志. 2023;55(4):498–504.

    文章  PubMed  谷歌学术 

  194. Banerjee R, Das A, Ghoshal UC, 等。应用神经网络技术预测肝硬化患者死亡率。J Gastroenterol Hepatol。2003；18(9)：1054-60。

    文章  PubMed  谷歌学术 

  195. 库切蒂 A，维瓦雷利 M，希顿 ND，等。人工神经网络在预测终末期肝病患者死亡率方面优于MELD评分。Gut。2007；56(2)：253-8。

    文章  CAS  PubMed  谷歌学术 

  196. Sharpton SR, Oh TG, Madamba E, et al. 来自肠道元基因组的标志物可以预测非酒精性脂肪肝病相关肝硬化患者的肝功能衰竭和死亡率。Aliment Pharmacol Ther. 2022;56(10):1475–85.

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  197. Corvec M, Jezequel C, Monbet V 等人。血清中红外光谱法，一种评估腹水和肝硬化患者预后的有前景的无创方法。PLoS ONE. 2017;12(10): e0185997.

    文章  PubMed  PubMed中央数据库  谷歌学术 

  198. 高锋，林美婷，杨晓燕等。肝硬化重症患者代谢性酸中毒的流行病学及短期死亡风险因素。Turk J Gastroenterol. 2019;30(10):883.

    文章  PubMed  PubMed中央数据库  谷歌学术 

  199. 胡 C, 安朱尔 V, 萨布oo K, 等. 利用机器学习预测肝硬化再住院和死亡的低预测性. 美国胃肠病学院官方杂志 ACG. 2021;116(2):336–46.

    文章  谷歌学术 

  200. Singal AG, Mukherjee A, Elmunzer JB, et al. 2013 机器学习算法在预测肝细胞癌发展方面优于传统回归模型。Am J Gastroenterol (美国胃肠病学院官方期刊). 2013;108(11):1723–30.

    文章  谷歌学术 

  201. 福田丰，江原明美，小林充，等。利用神经网络分析肝硬化肝脏实质回声模式以评估肝细胞癌风险。J Gastroenterol Hepatol。1999；14(9)：915-21。

    文章  CAS  PubMed  谷歌学术 

  202. 福田愃，江原明美，小林充，等。利用神经网络分析肝脏实质回声模式的不规则性和肝硬化患者肝细胞癌的风险。肿瘤学。2002；63(3)：270-9。

    文章  PubMed  谷歌学术 

  203. 李C-m，李SS， Choi W-M等。基于CT上深度学习测量的脾脏体积指数评估B病毒代偿期肝硬化的高危静脉曲张。 Eur Radiol. 2021;31:3355-65.

    文章  谷歌学术 

  204. Doyle H, Parmanto B, Munro P 等人。使用不完整观察构建临床分类器——用于肝硬化患者肝细胞癌检测的神经网络集成方法。Methods Inf Med. 1995;34(03):253–8.

    文章  CAS  PubMed  谷歌学术 

  205. 张瑞，江银银，肖凯，等。肝硬化相关肝癌发生的候选长链非编码RNA-微小RNA-信使RNA网络：一项综合生物信息学分析。J Cancer Res Clin Oncol. 2020;146:87–96.

    文章  CAS  PubMed  谷歌学术 

  206. Bayani A, Asadi F, Hosseini A, 等. 机器学习技术在预测肝硬化患者食管静脉曲张分级中的性能。Clin Chem Lab Med (CCLM). 2022;60(12):1955–62.

    文章  CAS  PubMed  谷歌学术 

  207. 颜 yan, 李 yi, 范 chen, 等. 基于机器学习的影像组学模型在肝硬化患者高出血风险食管静脉曲张诊断中的应用. Hep Intl. 2022;16(2):423–32.

    文章  谷歌学术 

  208. Bayani A, Hosseini A, Asadi F, 等。使用集成学习识别肝硬化患者静脉曲张分级的预测因素。Clin Chem Lab Med (CCLM)。2022;60(12):1938–45.

    文章  CAS  谷歌学术 

  209. 向X，Bhowmick K，Shetty K等。基于机制的TGF-β途径血浆蛋白标志物可将肝硬化患者患肝细胞癌的风险进行分层。Genes Cancer. 2024;15:1.

    文章  CAS  PubMed  PubMed中央库  谷歌学术 

  210. 李Y，高J，郑X等。利用数据驱动的精准医疗模型预测慢性肝硬化患者门静脉血栓的诊断。Briefings in Bioinformatics. 2024;25(1):478.

    文章  谷歌学术 

  211. 胡Y, 陈R, 高H, 等. 用于预测肝硬化伴腹水患者自发性细菌性腹膜炎的可解释机器学习模型. 科学报告. 2021;11(1):21639.

    文章  CAS  PubMed  PubMed中央数据库  谷歌学术 

  212. Danford CJ, 李YJ, Strohbehn IA, 等。开发一种算法以在电子健康记录中识别非酒精性脂肪肝硬化病例。Dig Dis Sci. 2021;66:1452-60.

    文章  PubMed  谷歌学术 

  213. 唐X，李H，邓G等。新算法排除了肝硬化急性失代偿后28天内发展为急性-on-慢性肝衰竭。J Clin Transl Hepatol. 2023;11(3):550.

    PubMed  谷歌学术 

  214. Hatami B, Asadi F, Bayani A等。基于机器学习的系统：使用实验室和临床数据预测肝硬化患者腹水等级的设计与实施研究。Clin Chem Lab Med (CCLM)。2022;60(12):1946–54.

    文章  CAS  PubMed  谷歌学术 

  215. 方T, 吕H, 吕G等. 肿瘤来源的外泌体miR-1247-3p诱导癌相关成纤维细胞活化以促进肝癌肺转移. Nat Commun. 2018;9:191.

    文章  PubMed  PubMed Central  谷歌学术 

  216. 朱福，帅志，吕毅等。oBABC：一种用于二进制优化的一维二进制人工蜂群算法。 swarm evol comput. 2024;87: 101567.

    文章  谷歌学术 

  217. 刘莉, 魏宇, 张强, 等. SSCRB: 基于序列和结构特征的注意力模型预测circRNA-RBP互作位点. IEEE生物医学健康信息学杂志. 2024;28(3):1762–72.

    文章  PubMed  谷歌学术 

  218. 杨X，孙J，金B，等. 基于多级特征融合的多任务水生毒性预测模型. 进展研究. 2024.https://doi.org/10.1016/j.jare.2024.06.002.

    文章  PubMed  PubMed中央库  谷歌学术 

  219. 朱锋，牛强，李晓，等．FM-FCN：一种带有滤波模块的神经网络用于精确的生命体征提取．研究．2024；7：0361．

    文章  PubMed  PubMed中央库  谷歌学术 

下载参考文献

致谢

我们感谢与陈浩曼和陈凡轩进行的深入讨论。此外，我们也感谢梁承隆在插图和论文撰写方面的指导。

资金

本研究得到了中华人民共和国科学技术部（项目编号：2021ZD0201900）、国家自然科学基金委员会（项目编号：12090052和82272204）、辽宁省自然科学基金（项目编号：2023-MS-288）、辽宁高校基本科研业务费专项资金（项目编号：LJ212410146026）、中华人民共和国工业和信息化部支持的基于5G网络的区域医院集群精准急诊医疗平台项目（项目编号：2020-78）、浙江省重点临床专科建设项目（项目编号：Y2022）、浙江“先锋”与“领头雁”研发计划（项目编号：2023C03084）以及温州市科技局项目（项目编号：Y2023729和Y20220505）的支持。

作者信息

作者笔记

  1. 翟银萍、海大荣和曾莉共同作为第一作者对论文作出了同等贡献。

作者和 affiliations（此处“affiliations”保留原词，因在学术语境中通常直接使用英文）

  1. 温州医科大学第一附属医院消化内科护理单元192病区，中国温州，325000

    翟银平 & 徐晓伟

  2. 温州医科大学护理学院，中国浙江温州，325000

    海达荣, 林晨彦, 陶启嘉, 李文辉

  3. 温州医科大学第二临床医学院，中国浙江温州，325000

    李增

  4. 温州医科大学第一临床医学院、信息与工程学院，温州，325000，中国

    谭欣如

  5. 温州医科大学生物医学工程学院，温州医科大学眼视光医学院、眼视光医院，中国温州市，邮编325000

    泽菲莫

  6. 辽宁科技大学计算机科学与软件工程学院，鞍山，114051，中国

    赵琪

  7. 中国科学院大学温州研究院，温州市，325000，中国

    赵齐 & 资嘉伟

  8. 瓯江实验室（再生医学、视觉与脑健康浙江省实验室），中国温州市，邮编325000

    帅健威

  9. 温州医科大学附属第一医院健康科学大数据系，中国温州，325000

    潘景业

  10. 浙江省温州市重症疾病智能诊疗与生命支持重点实验室，中国，325000

    潘京业

  11. 浙江温州医院急救与流程数字化工程研究中心，中国，温州，325000

    潘京业

贡献

Y.P.Z.: 数据管理，调查，撰写原始草稿。D.R.H.: 数据管理，调查，撰写原始草稿。L.Z.: 数据管理，调查，撰写原始草稿。C.Y.L.: 调查，方法论，可视化。X.R.T.: 调查，方法论，可视化。Z.F.M.: 调查，方法论，可视化。Q.J.T.: 调查，方法论，可视化。W.H.L.: 调查，方法论，可视化。X.W.X.: 调查，方法论，可视化。Q.Z.: 概念化，资金获取，项目管理，监督，撰写审稿。J.W.S.: 概念化，资金获取，项目管理，监督，撰写审稿。J.Y.P.: 概念化，资金获取，项目管理，监督，撰写审稿。

通讯作者

通信地址为 赵琪, 帅健威或者潘京业.

伦理声明

伦理审批和参与同意书

不适用。

出版同意书

不适用。

利益冲突

作者声明他们没有任何利益冲突。

附加信息

出版者按

施普林格·自然对于出版地图和机构 affiliation 的管辖权主张保持中立。注意，affiliation（从属关系）这个词在某些上下文中可能有特定含义，在这里直接翻译为“从属关系”或根据具体语境调整翻译更为准确。如果需要更自然的表达，可以改为：施普林格·自然对于出版地图和机构关联的管辖权主张保持中立。

关于本文文章

Check for updates. Verify currency and authenticity via CrossMark

引用这篇文章

翟Y., 海D., 曾L.等著述者等人基于人工智能的肝硬化预后评估。J Transl Med 22，933 (2024). https://doi.org/10.1186/s12967-024-05726-2

下载引用文献

  • 收到:

  • 接受的:

  • 发布:

  • DOI: https://doi.org/10.1186/s12967-024-05726-2

关键词

关于《基于人工智的肝硬化预后评估》的评论

暂无评论

发表评论



摘要

及时且精确的肝硬化预后评估对于改善患者结局和降低死亡率至关重要，因为它使医生能够识别高风险患者并实施早期干预。研究表明，特定的miRNA（如hsa-miR-21-5p）是单纯性脂肪变性向非酒精性脂肪性肝炎（NASH）及其相关的肝细胞癌进展的关键诱导因子[134]。这种能力可能有助于更及时地进行治疗干预，从而改善生存结局并减少疾病进展[90]。 人工智能的应用为肝硬化的预后评估带来了深远的变化。《重症肝病和急慢性肝衰竭患者血清乳酸动力学的预后价值：多中心研究》2010；38(11):2108–16. 文章 PubMed Google Scholar Saliba F, Ichaï P, Levesque E, 等.

相关新闻

相关讨论