В данном ретроспективном исследовании разработана и валидирована модель машинного обучения VARM-7 (Valencia At-Risk MASH) для неинвазивного выявления лиц с риском метаболического дисфункционного стеатогепатита (MASH). Модель обучалась на выборке из 2267 пациентов с использованием алгоритмов Random Forest и XGBoost, применяя 10-кратную перекрестную проверку. В качестве целевых показателей использовались данные вибрационной контролируемой трансэластографии (VCTE): параметр затухания (CAP) ≥ 275 дБ/м, жесткость печени (LSM) > 8 кПа и/или индекс FAST > 0.35. Итоговая модель VARM-7 включает возраст и шесть стандартных лабораторных показателей. При независимой валидации VARM-7 продемонстрировала значительное превосходство над традиционным индексом FIB-4: площадь под ROC-кривой (AUROC) составила 0.84 против 0.64 (p < 0.001). Применение модели к базе данных общественного здравоохранения Валенсии (более 3.4 млн человек) показало, что 11.7% общей популяции имеют риск MASH, а среди пациентов с ожирением и сахарным диабетом 2 типа этот показатель достигает 29.4% и 44.0% соответственно. Результаты подтверждают высокую эффективность ИИ-подхода для скрининга и оптимизации маршрутизации пациентов, хотя требуется внешняя валидация перед внедрением в клиническую практику.