将机器学习与SHAP分析相结合，以识别患有慢性心力衰竭的老年人的认知脆弱性风险

《Journal of Psychosomatic Research》：Integrating machine learning and SHAP analysis to identify the risk of cognitive frailty in older adults with chronic heart failure

心衰患者认知脆弱性风险预测模型构建及SHAP解释研究，针对老年心衰患者认知脆弱性高发及作为预后因子特点，通过对比六种机器学习模型构建风险评估模型，并利用SHAP可视化技术解释模型决策，为临床分层干预提供工具支持。

　　

邓群沟|何美武|常航敏|辛艳|袁丽旭|徐璐|明涛

中国遵义医科大学附属医院护理部

摘要

背景

人口老龄化是21世纪一个重大的全球性挑战，预计到2025年，65岁及以上的人口将达到1.6亿，占全球人口的16%（1）。这一人口结构变化给医疗系统带来了巨大压力，尤其是在与年龄相关的健康问题方面，如身体虚弱和认知障碍（1）。认知脆弱性被定义为身体虚弱和认知障碍同时存在的情况，但不包括阿尔茨海默病或其他痴呆症（2）。最近的一项荟萃分析显示，具有认知脆弱性的老年人患痴呆症的风险更高，且更容易出现残疾、跌倒、重新住院和死亡，这些风险都高于仅有身体虚弱或认知障碍的老年人（3）。

同样，慢性心力衰竭（CHF）是另一个紧迫的健康问题，它是全球老年人住院和死亡的主要原因之一，给医疗系统带来了沉重的经济负担（4）。研究表明，CHF与认知脆弱性之间存在复杂的双向关联（5, 6）。具体来说，CHF可引发脑细胞氧化应激、神经内分泌紊乱以及免疫炎症因子的过度分泌（5）。这些病理生理变化会损害脑实质，导致CHF患者的认知障碍发病率约为普通人群的1.6倍（5）。此外，CHF患者常伴有免疫系统改变、慢性低度炎症以及营养不良、功能障碍和贫血等并发症，这些因素共同显著增加了身体虚弱的风险（6）。最近的一项研究显示，CHF患者的认知脆弱性患病率为23%（7），远高于社区环境中的1.0–1.8%（5）。从另一个角度来看，认知脆弱性是CHF的一个新的预后因素。具有认知脆弱性的CHF患者出现联合不良结果（死亡和一年内再次住院）的风险是无认知脆弱性患者的1.55倍（7）。

值得注意的是，认知脆弱性被认为是神经病变的早期阶段，且具有一定的可逆性（8）。其动态特性为预防不良健康结果提供了潜在的干预目标（8）。对于CHF患者而言，及时准确地识别出高风险的认知脆弱患者，并据此制定早期预防策略，对于改善临床结局至关重要。风险分层模型是一种有价值的工具，它通过综合多种临床特征并赋予适当的权重，可以定量估计个体患某种疾病的可能性（9）。该模型可以有效用于识别老年CHF患者的认知脆弱性风险。目前，已经建立了几种认知脆弱性的风险评估框架，并取得了一定的效果[10–12]。然而，这些模型是基于社区中的老年人[10,11]和维持性血液透析患者[12]构建的。由于不同群体之间的病理生理特征存在差异，尚不清楚这些模型是否同样适用于CHF患者。此外，以往的研究[10–12]仅依赖于传统的单一算法进行模型构建，这限制了数据的充分利用，也难以确保模型达到最佳性能。

机器学习（ML）作为一种领先的人工智能技术，通过模拟人类学习过程和吸收新知识来优化自身性能并实现自我改进[13]。随着ML技术的进步，不断涌现的新算法能够更好地处理特征之间的复杂线性和非线性关系，从而更深入地理解临床信息[13]。目前，ML在健康技术领域得到了广泛应用，特别是在老年医学的几个关键领域取得了令人鼓舞的成果[14,15]。然而，由于对ML“黑箱”性质的担忧，医疗专业人员对其应用较为谨慎。这大大降低了ML在临床分类应用中的实用性。为了解决这一难题，Lundberg及其同事在2017年提出了SHapley Additive exPlanations（SHAP）方法[16]。SHAP通过提供对决策过程的清晰解释，增强了ML模型的可解释性，从而提高了ML在医学领域的价值。

因此，本研究旨在开发并测试六个ML模型，通过综合比较它们的性能来选择最适于识别CHF患者中认知脆弱性风险组的模型。此外，还利用SHAP方法对最优模型进行可视化解释，帮助临床医生识别和干预高风险人群。