Application and progress of liver fibrosis risk prediction model for nonalcoholic fatty liver disease
-
摘要:
非酒精性脂肪性肝病发病率逐年上升，脂肪肝肝纤维化的早期评估和早期干预对于改善非酒精性脂肪性肝病患者的预后至关重要。非侵入性的风险预测模型在临床实践中越来越受到重视。本文基于临床指标及不同算法，系统回顾了各类肝纤维化预测模型的优势及局限性，分析阐述了各模型的特点及在临床中的使用价值。
Abstract:The incidence of non-alcoholic fatty liver disease is increasing year by year. Early evaluation and early intervention of fatty liver fibrosis are very important for improving the prognosis of patients with non-alcoholic fatty liver disease. Non-invasive prediction models have been paid more and more attention in clinical practice. Based on different clinical indexes and algorithms, the article systematically reviewed the advantages and limitations ofvarious models for predicting liver fibrosis, and analyzed the characteristics of each model and its value.
-
Keywords:
- nonalcoholic fatty liver /
- predictive model /
- liver fibrosis /
- liver cirrhosis /
- biomarkers /
- early intervention
-
非酒精性脂肪性肝病(NAFLD)是指排除酒精和其他明确的肝损害因素所致的以肝细胞内脂肪过度沉积为主要特征的临床病理综合征，是一种与胰岛素抵抗和遗传易感密切相关的代谢应激性肝损伤[1-2]。近年来, NAFLD逐渐成为全球范围内最常见的慢性肝病之一。在西方国家, NAFLD在人群中的发病率为20%~30%, 肥胖及血脂异常人群高达80%[3]。在中国，肥胖相关的NAFLD呈逐年上升趋势[4], NAFLD已超越慢性乙型肝炎成为中国最常见的慢性肝病[5-6]。NAFLD的自然病程为单纯性脂肪肝-非酒精性脂肪性肝病炎(NASH)-肝纤维化-肝硬化-肝癌[1-2]。虽然NAFLD进展缓慢，但是NASH患者10~15年肝硬化发生率为15%~25%, 在NAFLD漫长的自然病程中, NASH为NAFLD发生肝硬化的必经阶段[1-2, 7]。NASH到肝硬化的过程通常会经历肝纤维化，因此脂肪肝肝纤维化的早期评估和早期干预，对于改善NAFLD患者的预后至关重要。肝纤维化严重程度通常分为5期(F0~F4期): F0期即无纤维化, F1期为轻度纤化, ≥F2期为显著纤维化, ≥F3期为晚期纤维化或进展期纤维化, F4期即肝硬化[8]。目前对于NAFLD患者肝纤维化的诊断主要分为侵入性诊断和非侵入性诊断。肝活检是诊断NASH及肝纤维化分期的金标准，但其为侵入性检查，具有抽样变异，不适合在临床实践中进行疾病监测，也不适合人群筛查[9]。基于血液生物标志物构建的风险预测模型属于一种非侵入性微创诊断方法，其方便易开展且价格合理，成为未来广泛开展筛查的极具潜力的手段。全面了解现有肝纤维化预测模型的优势及局限性，对于选择合适的模型来评估及管理NAFLD患者至关重要。本综述系统性回顾各类模型的特点及其在临床中的使用价值。
1. 基于简单临床指标的预测模型
1.1 纤维化4项评分(FIB-4)
FIB-4指数早期主要用于艾滋病和丙型肝炎共同感染患者的肝纤维化评估。FIB-4模型主要包括年龄、天门冬氨酸氨基转移酶(AST)、丙氨酸氨基转移酶(ALT)和血小板(PLT)。该模型的计算公式: 年龄(年)×AST(U/L)/[血小板(109/L)×ALT(U/L)]。FIB-4评分小于1.3能够排除晚期肝纤维化，敏感度为74%~94%, 特异度为33%~71%, 阳性预测值为20%~43%, 阴性预测值为90%~99%。当FIB-4大于2.67时，可以诊断为肝纤维化，敏感度为33%~78%, 特异度58%~98%, 阳性预测值为27%~80%, 阴性预测值为74%~95%。FIB-4除了是肝纤维化的重要评估手段，还是NAFLD患者死亡风险的重要预测因子。研究[10]表明，中高FIB-4得分组肝脏并发症相关死亡率升高。研究[11]发现, FIB-4>1.58是肝癌的独立危险因素，其优势比为2.63。FIB-4>2.67组发生肝脏相关事件的风险高于FIB-4&1.30组，调整后的风险比为13.1~14.6。因此，在制订治疗策略时，监控高危NAFLD患者的死亡风险至关重要，应考虑对这些人群进行FIB-4筛查和更密切的监测。
1.2 NAFLD纤维化评分(NFS)
NFS模型涉及的指标包括年龄、血糖异常(存在空腹高血糖或糖尿病)、体质量指数(BMI)数、AST与ALT比值(AAR)、PLT及白蛋白。NFS模型计算公式: -1.675 + 0.037×年龄(岁) + 0.094×BMI(kg/m2) + 1.13×(高血糖) (是=1, 否=0) + 0.99×AAR-0.013×PLT(×109/L)-0.66×白蛋白(g/dL) [12]。近期一项纳入了13项研究的荟萃分析[13]结果显示，该评分模型已经在不同种族的人群中得到验证, NFS评分系统可以用于NAFLD患者疾病进展的监测，可作为肝活检的非侵入性方法。但对于65岁以上的患者, NFS诊断进展期肝纤维化的准确度下降，因此研究[14]建议针对此类NAFLD人群，可将NFS的切点调整至0.12以提高诊断的特异度。一项最新的横断面研究[15]发现, NFS对晚期肝纤维化的诊断效能低于FIB-4, 尤其是在糖尿病亚组的受试者中，提示对于NAFLD合并糖尿病的患者，选择FIB-4模型可能更为合适。
1.3 福恩斯(FORNs)指数
FORNs指数目前广泛应用于丙型肝炎患者肝纤维化的评估和预测，该模型主要包括年龄、γ-谷氨酰转移酶、总胆固醇、PLT。计算公式为7.811 -3.131×lnPLT(×109/L) + 0.781×ln γ-谷氨酰转移酶(U/L) +3.467×ln年龄-0.014×TC (mg/dL)。NAFLD患者数量巨大, NAFLD患者肝纤维化的风险预测对患者预后至关重要，越来越多研究也将这一模型应用于脂肪肝患者肝纤维化的预测中。
在经活检证实的1 557例NAFLD队列研究[16]中, FORNs指数已经被证实可以作为肝纤维化的预测模型。由于该模型所涉及的参数简单易得，也有研究[17]尝试将FORNs指数应用在未成年NAFLD患者中进行肝纤维化的非侵入性预测评估，但研究结果显示，该模型在未成年儿童中的预测能力不佳。
1.4 天门冬氨酸氨基转移酶/血小板指数(APRI)
APRI最早也被用于丙型肝炎肝纤维化严重程度的评估[18]，其计算公式: [AST(IU/L)/AST正常值上限(IU/L)]/PLT (×109/L)×100。对40项HCV研究的荟萃分析[19]表明, APRI评分>1.0预测肝纤维化的敏感度为76%, 特异度为72%, APRI>0.7预测显著肝纤维化的敏感度为77%, 特异度为72%。研究者将APRI评分作为肝纤维化风险程度分级的依据，小于0.5属于低危, 0.5~1.5属于中危，大于1.5属于高危。研究[20]发现, APRI的最佳切点为0.98, 敏感度为75%, 特异度为86%, 阳性预测值为54%, 阴性预测值为93%。因此APRI对于NAFLD患者的肝纤维化，特别是晚期肝纤维化具有良好的预测价值。由于APRI模型涉及参数较少，易于开展，近期也有研究[21]将其应用于肥胖儿童的NASH预测，但与FORNs模型类似，在儿童中其预测价值有限。
1.5 贝塔(BAAT)评分
BAAT评分是一种计分制的预测模型，其评价指标主要包括BMI、年龄、血清ALT和甘油三酯(TG)水平。具体评判标准如下: 年龄≥50岁记1分, BMI≥28 kg/m2记1分, ALT≥正常上限2倍记1分, TG≥1.7 mmol/L记1分。早期其主要用于评估肥胖患者肝纤维化程度。针对肥胖患者的临床研究[22]发现，将BAAT得分≥2分作为显著肝纤维化的切点，该评分模型的灵敏度、特异度、阳性预测值、阴性预测值分别为71%、80%、61%和86%，受试者工作特征(ROC)曲线的曲线下面积为0.83。BAAT模型纳入了血脂水平及BMI, 因此对于肥胖患者的预测具有较高价值，值得在临床中对肥胖患者开展筛查。
1.6 巴德(BARD)模型
BARD模型由BMI、糖尿病和AAR组成，其中BMI≥28 kg/m2记1分, AAR≥0.8记2分，患有2型糖尿病记1分。该模型亦是一种计分制模型，不涉及复杂计算，临床应用相对便捷。其对于NASH具有很高的阴性预测值(96%), 可用于除NASH之外的预测。然而, BARD具有较低的阳性预测值(42%), 导致许多无NASH或肝纤维化的患者被列为高危人群。LEE T H等[23]对107例患者进行回顾性研究，创建了BARDI评分，改进的评分系统将NASH诊断的阳性预测值提高到51%, 阴性预测值提高到100%。
1.7 非侵入性Koeln-Essen指数(NIKEI)
NIKEI模型(Non-invasive Koeln-Essen-index)是一种新的基于年龄、AST、AST/ALT比值及总胆红素的预测模型。计算公式: -24.214+0.225×年龄+0.056×AST(U/L)+5.044×AST/ALT+3.631×总胆红素(mg/dL)。研究纳入的267例患者用以评估NIKE在无创肝纤维化预测中的作用。NAFLD-NIKEI评分系统依赖于4个临床常用的实验室参数，因此有可能在临床实践中广泛开展。研究[24]发现，该预测模型可以可靠地排除大部分NAFLD患者的晚期肝纤维化。结合FIB-4指数同时使用可减少80%以上患者非必要的肝活检，减轻患者痛苦。
2. 纳入特殊生物标志物的预测模型
2.1 奈非克(NAFIC)评分
NAFIC评分是指将血清铁蛋白、空腹胰岛素水平以及Ⅳ型胶原蛋白3个指标构成预测模型，具体得分为血清铁蛋白女性≥200 ng/mL或男性≥300 ng/mL计1分; 空腹胰岛素≥10 μIU/mL计1分; Ⅳ型胶原蛋白≥5 ng/mL计2分。
一项纳入了177例受试者的研究[25]发现, NAFIC模型的ROC曲线下面积为0.851, 当评分切点为2分时，敏感度为66%, 特异度为91%, 阳性预测值90%, 阴性预测值67%。研究认为，当NAFIC评分为0或1分时, NAFLD患者发生肝纤维化风险较低; 当评分≥2分时提示患者存在肝纤维化风险，必要时需行肝穿刺。
随后日本学者在原有NAFIC模型的基础上提出了优化模型，其主要区别在于对空腹胰岛素水平的计分不同。优化模型中，对于空腹胰岛素水平10~15 μIU/mL计1分, ≥15 μIU/mL计2分。改良NAFIC评分模型最佳切点为2分，其敏感度、特异度、阳性预测值和阴性预测值分别为74.3%、76.7%、76.4%和74.7%。改良模型可以显著提高NASH诊断的敏感度和阴性预测值[26]。
2.2 增强肝纤维化组合(ELF)评分
ELF包括透明质酸HA、组织抑制剂金属蛋白酶1(TIMP-1)和前胶原氨基末端肽3(PⅢNP)。计算公式: -7.412 + 0.681×[ln(HA)+0.775×ln(PⅢNP) + 0.494×ln (TIMP-1)][27]。ELF模型最初主要被用于丙型肝炎患者肝纤维化评估。一项纳入120例慢性丙型肝炎患者的研究发现，ELF模型用于诊断显著纤维化时的ROC曲线下面积为0.81，阴性预测值为77%，阳性预测值为78%。诊断晚期肝纤维化时的曲线下面积为0.82，阴性预测值为94.8%, 阳性预测值为98.9%。诊断肝硬化时的ROC曲线下面积为0.78, 阴性预测值为98.9%, 阳性预测值为21.9%。ELF评分是诊断肝纤维化的无创手段，但是以7.7为切点使用ELF模型可能会引起肝纤维化的过度诊断[28]。一项研究[29]发现，肥胖患者采用ELF筛查时，当ELF切点为8.72时，对于NASH的预测作用的灵敏度为71.4%，特异度为74.1%，曲线下面积为0.742。说明对于肥胖患者可以考虑使用ELF模型来预测其肝纤维化风险。ELF的阴性预测值较高，作为一种排除性模型的价值或许更高。
2.3 海帕斯科(Hepascore)模型
Hepascore模型由年龄、性别、血清胆红素、γ-谷氨酰转移酶、透明质酸和α2-巨球蛋白水平组成，模型计算公式: Hepascore=y/(1+y), 其中y=exp[-4.185 818-(0.024 9×年龄)+(0.746 4×性别)+(1.003 9×α2-巨球蛋白)+(0.030 2×透明质酸)+(0.069 1×胆红素)(0.001 2×谷氨酰转移酶]，其中男为1, 女为0, α2-巨球蛋白单位为g/L, 透明质酸单位为μg/L, 胆红素单位为μmol/L, GGT单位为U/L[30]。ADAMS L A等[31]研究结果显示, Hepascore对肝硬化的预测效果优于FibroTest、FIB4、APRI和BARD评分，敏感度和阴性预测值分别为87%和98.5%。一项荟萃分析研究[32]显示, Hepascore预测模型对丙型肝炎、乙型肝炎及酒精性肝病的肝纤维化预测能力高于对NAFLD患者的预测能力。由于Hepascore模型所涉及的特殊检测指标较多，计算模型较为复杂，故Hepascore模型在临床应用仍不广泛。
3. 基于复杂算法的预测模型
3.1 纳什检测(NASHTest)
NASHTest由13项参数组成，包括年龄、性别、身高、体质量、血清TG、胆固醇、α2-巨球蛋白、载脂蛋白A1、触珠蛋白、γ-谷氨酰转移酶、AST、ALT和总胆红素水平。该模型无法通过简单公式计算获得，其预测是由公司开发的商用算法。一项纳入160例患者的研究[33]发现，其诊断NASH的曲线下面积为0.78(95%CI: 0.69~0.86), 特异度为94%, 但敏感度只有33%。一项包含494例NAFLD患者的试验[27]发现, 110例由NASHTest推定为非NASH的患者中，活组织检查证实95例(86%)为非NASH, 10例为疑似NASH, 5例为NASH患者; 在29例由NASHTest推定为NASH的患者中，组织学证据确诊为NASH的患者为12例(41%), 疑似NASH 6例, 非NASH 11例。因此NASHTest更适合作为一种排除标准，经NASHTest排除的NASH患者大多可免于肝活组织检查[34]。
3.2 基于血液的生物标志物组(NIS4)
NIS4算法包含4个独立的NASH相关生物标记: MicroRNA 34a-5p、α2-巨球蛋白、糖化血红蛋白(HbA1c)和几丁质酶-3样蛋白1(CHI3L1也称为YKL40)。NIS4模型的计算公式: ey/(1+ey), 其中e为自然对数, y为通过上述4项生物标志物计算出的系数, y=β0+β1×[miR-34a-5p log(copies/μL)]+ β2 ×[α2-巨球蛋白(g/L)] + β3 ×[YKL40(ng/mL)]+ β4 × [HbA1c(%)]。该评估模型由发表在《柳叶刀》的一项大型随机对照研究提出。该研究共纳入1 404名受试者，研究发现, NIS4值小于0.36的患者被归类为无NASH风险，其敏感度为81.5%(95%CI: 76.9~85.3), 特异度为63.0%(95%CI: 57.8~68.0), 阴性预测值为77.9%(95%CI: 72.5~82.4)。NIS4值大于0.63的患者被归类为NASH高危人群，其特异度为87.1%(95%CI: 83.1~90.3%), 敏感度为50.7%(95%CI: 45.3~56.1), 阳性预测值为79.2%(95%CI: 73.1~84.2)。研究认为, NIS4是一种基于血液的新型诊断方法，为有代谢危险因素和疑似疾病的患者提供了一种非侵入性排除高危NASH的有效方法。在临床工作中使用NIS4模型有可能大大减少疾病进展风险较低的患者的不必要的肝活检检查[35]。但是由于目前尚缺乏更多的临床数据支持，而且该模型所涉及的特殊生物标志物较多，因此在临床上尚未广泛应用。
3.3 非酒精性脂肪性肝病代谢物(NASH ClinLipMet)评分模型
研究对318例可疑NASH患者行肝活检，将患者临床资料、PNPLA3基因型与运用质谱方法检测到的血清代谢物结合建立NASH ClinLipMet评分模型。该模型由谷氨酸、异亮氨酸、甘氨酸、溶血磷脂胆碱、L-磷脂酰乙醇胺、AST、空腹胰岛素及PNPLA3基因型组成，其诊断NASH的ROC曲线下面积为0.866(95%CI: 0.820~0.913), 显著优于其他包含代谢标志物的预测模型[36]。虽然该模型无创并具有较高的诊断价值，但是临床代谢组学方法检测不容易获取，检测成本较高，同时该模型缺少其他研究者开展的临床研究验证。随着代谢标志物质谱检测的普及，该模型在未来可能有更大的应用前景。
3.4 纤维化检测(FibroTest)及纤维化测算(FibroMeter)
FibroTest最初也是为了预测丙型肝炎患者肝纤维化风险而建立的，该模型于2001年首先由法国Imbcrt-Bismut研究小组建立，之后不断完善调整，主要由5个指标组成: γ-谷氨酰转移酶、总胆红素、α2-巨球蛋白、载脂蛋白AI和结合珠蛋白[37]。计算公式: 4.467×log(α2-巨球蛋白)-1.357×log(结合珠蛋白)+1.017×log(GGT)+ 0.028 1×(年龄)+1.737×log(TBIL)-1.184×(apoAI)+0.301×(性别，男=1、女=0)-5.540。FibroTest在预测NAFLD患者肝纤维化方面优于BARD和FIB-4[38]。
FibroMeter是由血小板计数、凝血酶原指数、AST、α2-巨球蛋白、透明质酸、尿素组成，也是应用较多的预测模型。计算公式: -0.169×凝血酶原指数(%)+0.015× α2-巨球蛋白(mg/dL)+ 0.032×透明质酸(μg/L)-0.140×年龄(岁)+16.541。一项比较多种诊断模型的临床研究[39]发现, FibroMeter与ELF模型具有相似的预测精度，其准确性优于简单预测模型(FIB4及NFS)。近期一项大型荟萃分析研究[40]结果也证实, FibroMeter在预测NAFLD患者晚期肝纤维化中具有较高的敏感度和特异度。
4. 小结
目前，对于肝纤维化的评估，临床开展较为广泛的仍是腹部超声，而对于肝纤维化确诊的金标准则是肝脏活检。但是腹部超声通常只能发现较为显著的肝纤维化改变，不能进行远期风险的预测，且有赖于不同B超医生的检查水平。肝脏活检属于有创检查，在临床开展具有一定局限性，无法很好地推广。目前, NAFLD患者的数量巨大，亟需易于开展的肝纤维化的评估方法。越来越多研究聚焦于利用非侵入性的诊断模型来对NAFLD患者进行肝纤维化程度及风险的评估。
这些非侵入性的诊断模型在肝纤维化程度的筛查中均有很好的应用效果，但是每个预测模型都有其自身特点，结合模型中所涉及的不同参数，在临床实践中可以对不同类型患者进行个体化应用。NFS评分、FIB-4评分、APRI评分、BARD评分和BAAT评分多被用于评估显著肝纤维化和进展期肝纤维化[41], 而ELF、BAAT模型由于其在肥胖患者中的预测效能较好，可以在NAFLD合并肥胖的患者中开展肝纤维化风险的预测。NAFIC模型、NFS模型将胰岛素或血糖纳入了预测模型，可以针对合并血糖异常或糖尿病的患者做出更为准确的评估。各类模型除了指标类型的差异，其复杂程度也不尽相同，例如Hepascore、Fibrotest及FIB-4属于肝纤维化评估的复杂模型，而APRI、BARD、BAAT等属于简单模型。研究对复杂模型及APRI、BARD等简单模型进行对比发现，复杂模型的预测效能通常要优于简单模型[42]。
随着各种生物标志物的出现, NAFLD肝纤维化的预测模型越来越多，现在除了模型的单独运用，也有研究尝试将多种模型合并来提高其诊断效能。一项纳入了453例NAFLD患者的研究中发现，组合使用APRI、BARD、FibroMeter NAFLD和NIKEI这4个预测模型，可以进一步提高肝纤维预测的准确性，具有良好的诊断效能，说明多个模型的组合使用有助于患者肝纤维化的评估。但是多数预测模型需要检测多个指标，组合使用数个模型势必会增加医疗成本，因此需要综合考虑医疗支出与患者远期获益。研究[43]发现，采用分层组合模型(该研究使用了FIB-4和ELF)可以提高晚期肝纤维化的早期发现率，减少轻度疾病患者的不必要转诊，具有成本效益。采用该方法可以提高医疗资源利用率，最终节约医疗成本。
综上所述, NAFLD肝纤维化风险预测模型近年来发展迅速，相信随着科学技术的日益进步，尤其是各类预测模型的综合运用，对NAFLD患者肝纤维化远期风险的预测将会越来越准确，更多的患者将从中获益，能够避免非必要的肝脏活检，改善患者生活质量及远期预后。
-
[1] GEOFFREY C F, CLAIRE Z L. Nonalcoholic fatty liver disease: from steatosis to cirrhosis[J]. Hepatology, 2006, 43(2 Suppl 1): S99-S112.
[2] DE ALWIS N M, DAY C P. Non-alcoholic fatty liver disease: the mist gradually clears[J]. J Hepatol, 2008, 48(Suppl 1): S104-S112.
[3] BELLENTANI S, SCAGLIONI F, MARINO M, et al. Epidemiology of non-alcoholic fatty liver disease[J]. Dig Dis, 2010, 28(1): 155-161. doi: 10.1159/000282080
[4] FAN J G, FARRELL G C. Epidemiology of non-alcoholic fatty liver disease in China[J]. J Hepatol, 2009, 50(1): 204-210. doi: 10.1016/j.jhep.2008.10.010
[5] GHOLAM P M, FLANCBAUM L, MACHAN J T, et al. Nonalcoholic fatty liver disease in severely obese subjects[J]. Am J Gastroenterol, 2007, 102(2): 399-408. doi: 10.1111/j.1572-0241.2006.01041.x
[6] RATZIU V, BELLENTANI S, CORTEZ-PINTO H, et al. A position statement on NAFLD/NASH based on the EASL 2009 special conference[J]. J Hepatol, 2010, 53(2): 372-384. doi: 10.1016/j.jhep.2010.04.008
[7] FAN J G, SAIBARA T, CHITTURI S, et al. What are the risk factors and settings for non-alcoholic fatty liver disease in Asia-Pacific[J]. J Gastroenterol Hepatol, 2007, 22(6): 794-800. doi: 10.1111/j.1440-1746.2007.04952.x
[8] LEE D H. Noninvasive evaluation of nonalcoholic fatty liver disease[J]. Endocrinol Metab Seoul Korea, 2020, 35(2): 243-259. doi: 10.3803/EnM.2020.35.2.243
[9] RINELLA M E, SANYAL A J. Management of NAFLD: a stage-based approach[J]. Nat Rev Gastroenterol Hepatol, 2016, 13(4): 196-205. doi: 10.1038/nrgastro.2016.3
[10] UNALP-ARIDA A, RUHL C E. Liver fibrosis scores predict liver disease mortality in the United States population[J]. Hepatology, 2017, 66(1): 84-95. doi: 10.1002/hep.29113
[11] TOBARI M, HASHIMOTO E, TANIAI M, et al. The characteristics and risk factors of hepatocellular carcinoma in nonalcoholic fatty liver disease without cirrhosis[J]. J Gastroenterol Hepatol, 2020, 35(5): 862-869. doi: 10.1111/jgh.14867
[12] FORNS X, AMPURDANÉS S, LLOVET J M, et al. Identification of chronic hepatitis C patients without hepatic fibrosis by a simple predictive model[J]. Hepatology, 2002, 36(4 pt 1): 986-992.
[13] LEE J, VALI Y, BOURSIER J, et al. Prognostic accuracy of FIB-4, NAFLD fibrosis score and APRI for NAFLD-related events: a systematic review[J]. Liver Int, 2021, 41(2): 261-270. doi: 10.1111/liv.14669
[14] MCPHERSON S, HARDY T, DUFOUR J F, et al. Age as a confounding factor for the accurate non-invasive diagnosis of advanced NAFLD fibrosis[J]. Am J Gastroenterol, 2017, 112(5): 740-751. doi: 10.1038/ajg.2016.453
[15] PARK H, YOON E L, KIM M, et al. Comparison of diagnostic performance between FIB-4 and NFS in metabolic-associated fatty liver disease era[J]. Hepatol Res, 2022, 52(3): 247-254. doi: 10.1111/hepr.13737
[16] NABI O, LACOMBE K, BOURSIER J, et al. Risk factors of nonalcoholic fatty liver disease and advanced fbrosis in general population: the French nationwide NASH-CO study[J]. Gastroenterology, 2020, 159: 791-793. doi: 10.1053/j.gastro.2020.04.048
[17] YANG H R, KIM H R, KIM M J, et al. Noninvasive parameters and hepatic fibrosis scores in children with nonalcoholic fatty liver disease[J]. World J Gastroenterol, 2012, 18(13): 1525-1530. doi: 10.3748/wjg.v18.i13.1525
[18] WAI C T, GREENSON J K, FONTANA R J, et al. A simple noninvasive index can predict both significant fibrosis and cirrhosis in patients with chronic hepatitis C[J]. Hepatology, 2003, 38(2): 518-526. doi: 10.1053/jhep.2003.50346
[19] LIN Z H, XIN Y N, DONG Q J, et al. Performance of the aspartate aminotransferase-to-platelet ratio index for the staging of hepatitis C-related fibrosis: an updated meta-analysis[J]. Hepatology, 2011, 53(3): 726-736. doi: 10.1002/hep.24105
[20] KRUGER F C, DANIELS C R, KIDD M, et al. APRI: a simple bedside marker for advanced fibrosis that can avoid liver biopsy in patients with NAFLD/NASH[J]. S Afr Med J, 2011, 101(7): 477-480.
[21] RIGAMONTI A E, BONDESAN A, RONDINELLI E, et al. The role of aspartate transaminase to platelet ratio index (APRI) for the prediction of non-alcoholic fatty liver disease (NAFLD) in severely obese children and adolescents[J]. Metabolites, 2022, 12(2): 155. doi: 10.3390/metabo12020155
[22] RATZIU V, GIRAL P, CHARLOTTE F, et al. Liver fibrosis in overweight patients[J]. Gastroenterology, 2000, 118(6): 1117-1123. doi: 10.1016/S0016-5085(00)70364-7
[23] LEE T H, HAN S H, YANG J D, et al. Prediction of advanced fibrosis in nonalcoholic fatty liver disease: an enhanced model of BARD score[J]. Gut Liver, 2013, 7(3): 323-328. doi: 10.5009/gnl.2013.7.3.323
[24] DEMIR M, LANG S, SCHLATTJAN M, et al. NIKEI: a new inexpensive and non-invasive scoring system to exclude advanced fibrosis in patients with NAFLD[J]. PLoS One, 2013, 8(3): e58360. doi: 10.1371/journal.pone.0058360
[25] SUMIDA Y, YONEDA M, HYOGO H, et al. A simple clinical scoring system using ferritin, fasting insulin, and type IV collagen 7S for predicting steatohepatitis in nonalcoholic fatty liver disease[J]. J Gastroenterol, 2011, 46(2): 257-268. doi: 10.1007/s00535-010-0305-6
[26] NAKAMURA A, YONEDA M, SUMIDA Y, et al. Modification of a simple clinical scoring system as a diagnostic screening tool for non-alcoholic steatohepatitis in Japanese patients with non-alcoholic fatty liver disease[J]. J Diabetes Investig, 2013, 4(6): 651-658. doi: 10.1111/jdi.12101
[27] 胡梦琪, 徐有青, 张涛, 等. 非酒精性脂肪性肝炎的无创诊断方法[J]. 临床肝胆病杂志, 2017, 33(12): 2288-2291. https://www.cnki.com.cn/Article/CJFDTOTAL-LCGD201712007.htm [28] FERNANDES F F, FERRAZ M L, ANDRADE L E, et al. Enhanced liver fibrosis panel as a predictor of liver fibrosis in chronic hepatitis C patients[J]. J Clin Gastroenterol, 2015, 49(3): 235-241. doi: 10.1097/MCG.0000000000000128
[29] NOBILI V, PARKES J, BOTTAZZO G, et al. Performance of ELF serum markers in predicting fibrosis stage in pediatric non-alcoholic fatty liver disease[J]. Gastroenterology, 2009, 136(1): 160-167. doi: 10.1053/j.gastro.2008.09.013
[30] BOURSIER J, VERGNIOL J, GUILLET A, et al. Diagnostic accuracy and prognostic significance of blood fibrosis tests and liver stiffness measurement by FibroScan in non-alcoholic fatty liver disease[J]. J Hepatol, 2016, 65(3): 570-578. doi: 10.1016/j.jhep.2016.04.023
[31] ADAMS L A, BULSARA M, ROSSI E, et al. Hepascore: an accurate validated predictor of liver fibrosis in chronic hepatitis C infection[J]. Clin Chem, 2005, 51(10): 1867-1873. doi: 10.1373/clinchem.2005.048389
[32] HUANG Y, ADAMS L A, JOSEPH J, et al. The ability of Hepascore to predict liver fibrosis in chronic liver disease: a meta-analysis[J]. Liver Int, 2017, 37(1): 121-131. doi: 10.1111/liv.13116
[33] POYNARD T, RATZIU V, CHARLOTTE F, et al. Diagnostic value of biochemical markers (NashTest) for the prediction of non alcoholo steato hepatitis in patients with non-alcoholic fatty liver disease[J]. BMC Gastroenterol, 2006, 6: 34. doi: 10.1186/1471-230X-6-34
[34] POYNARD T, LASSAILLY G, DIAZ E, et al. Performance of biomarkers FibroTest, ActiTest, SteatoTest, and NashTest in patients with severe obesity: meta analysis of individual patient data[J]. PLoS One, 2012, 7(3): e30325. doi: 10.1371/journal.pone.0030325
[35] HARRISON S A, RATZIU V, BOURSIER J, et al. A blood-based biomarker panel (NIS4) for non-invasive diagnosis of non-alcoholic steatohepatitis and liver fibrosis: a prospective derivation and global validation study[J]. Lancet Gastroenterol Hepatol, 2020, 5(11): 970-985. doi: 10.1016/S2468-1253(20)30252-1
[36] ZHOU Y, ORESIC M, LEIVONEN M, et al. Noninvasive detection of nonalcoholic steatohepatitis using clinical markers and circulating levels of lipids and metabolites[J]. Clin Gastroenterol Hepatol, 2016, 14(10): 1463-1472. doi: 10.1016/j.cgh.2016.05.046
[37] IMBERT-BISMUT F, RATZIU V, PIERONI L, et al. Biochemical markers of liver fibrosis in patients with hepatitis C virus infection: a prospective study[J]. Lancet, 2001, 357(9262): 1069-1075. doi: 10.1016/S0140-6736(00)04258-6
[38] MUNTEANU M, TINIAKOS D, ANSTEE Q, et al. Diagnostic performance of FibroTest, SteatoTest and ActiTest in patients with NAFLD using the SAF score as histological reference[J]. Aliment Pharmacol Ther, 2016, 44(8): 877-889. doi: 10.1111/apt.13770
[39] GUILLAUME M, MOAL V, DELABAUDIERE C, et al. Direct comparison of the specialised blood fibrosis tests FibroMeterV2G and Enhanced Liver Fibrosis score in patients with non-alcoholic fatty liver disease from tertiary care centres[J]. Aliment Pharmacol Ther, 2019, 50(11/12): 1214-1222.
[40] VAN DIJK A M, VALI Y, MAK A L, et al. Systematic review with meta-analyses: diagnostic accuracy of FibroMeter tests in patients with non-alcoholic fatty liver disease[J]. J Clin Med, 2021, 10(13): 2910. doi: 10.3390/jcm10132910
[41] The diagnosis and management of nonalcoholic fatty liver disease: practice guidance from the American Association for the Study of Liver Diseases[J]. Clin Liver Dis: Hoboken, 2018, 11(4): 81.
[42] ADAMS L A, GEORGE J, BUGIANESI E, et al. Complex non-invasive fibrosis models are more accurate than simple models in non-alcoholic fatty liver disease[J]. J Gastroenterol Hepatol, 2011, 26(10): 1536-1543. doi: 10.1111/j.1440-1746.2011.06774.x
[43] SRIVASTAVA A, JONG S, GOLA A, et al. Cost-comparison analysis of FIB-4, ELF and fibroscan in community pathways for non-alcoholic fatty liver disease[J]. BMC Gastroenterol, 2019, 19(1): 122. doi: 10.1186/s12876-019-1039-4
[44] SRIVASTAVA A, JONG S, GOLA A, et al. Cost-comparison analysis of FIB-4, ELF and fibroscan in community pathways for non-alcoholic fatty liver disease[J]. BMC Gastroenterol, 2019, 19(1): 122. doi: 10.1186/s12876-019-1039-4
-
期刊类型引用(3)
1. 刘听潮，张示杰，杨婧，彭心宇，马儒林，郭恒，张向辉，何佳，郭淑霞. 新疆维吾尔族农村居民肝纤维化评分与心血管疾病发病关系前瞻性队列研究. 中国公共卫生. 2025(02): 154-160 . 
百度学术
2. 杨金秋，赵文霞，周铖，刘通. 非酒精性脂肪性肝病发生进展期肝纤维化的危险因素及列线图预测模型构建. 临床肝胆病杂志. 2024(08): 1579-1584 . 百度学术
3. 宋宇震，俞晓芳，吴昦辰. 肝纤维化临床分期对抗肝纤维化治疗效果的预测价值研究. 中国现代药物应用. 2024(24): 54-57 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 363
- HTML全文浏览量: 180
- PDF下载量: 41
- 被引次数: 3
下载:
苏公网安备 32100302010246号
