一种基于常规血液指标的机器学习模型，用于社区中早期动脉硬度的预测

《Lipids in Health and Disease》：A machine learning model based on routine blood-derived indices for early arterial stiffness prediction in the community

动脉僵硬早期预测模型的构建与验证。基于2948名社区人群数据，采用机器学习算法（LASSO回归、随机森林结合SHAP分析）筛选出九项独立风险因素（包括MHR、CRI指数、TyG-WHtR等），其中TyG-WHtR贡献显著。模型经AUC（0.877）、校准和决策曲线分析验证，并开发了在线计算器。

　　

摘要

背景

动脉硬度的增加是心血管疾病的高风险因素，因此早期识别至关重要。本研究基于一个看似健康的社区人群的数据，利用机器学习算法筛选影响早期动脉硬度的因素，并构建了一个风险预测模型。

方法

在这项横断面研究中，2024年6月至12月期间共招募了2948名社区参与者。测量了24个与代谢、脂质和炎症相关的血液指标。采用最小绝对收缩和选择算子（LASSO）回归方法来选择和调整基线临床变量中的显著混杂因素。随后进行单变量和多变量逻辑回归分析，以确定与早期动脉硬度增加（定义为肱动脉-踝动脉脉波速度（baPWV）≥1400 cm/s）独立相关的指标。结合Shapley加性解释（SHAP）分析的随机森林模型被用来评估和排序所有候选变量的预测重要性。通过这些分析确定的关键预测因子被整合到一个多变量逻辑回归模型中，并以诺模图的形式可视化。模型性能通过判别能力、校准和决策曲线分析（DCA）进行评估。

结果

共有1636名参与者（55.5%）被发现有早期动脉硬度增加的情况。多变量分析确定了九个独立的风险因素，包括单核细胞与高密度脂蛋白胆固醇比率（MHR）、Castelli风险指数I和II（CRI-I、CRI-II）、动脉粥样硬化指数（AI）、甘油三酯-腰围（TyG-WC）、甘油三酯-腰围与身高比率（TyG-WHtR）、中性粒细胞与HDL比率（NHR）、血小板与HDL比率（PHR）以及尿酸与HDL比率（UHR）。随机森林模型显示年龄、收缩压和舒张压、TyG-WHtR、心率、空腹血糖和糖化血红蛋白是主要的预测因子。SHAP分析证实了TyG-WHtR的显著贡献。所得诺模图在测试集中的判别能力优异（AUC=0.877，95% CI：0.865–0.889），且校准效果良好。开发了一个基于网络的计算器用于个体化风险估计。

结论

本研究开发并内部验证了一个预测模型，该模型结合了七个常规临床指标来评估社区人群的动脉硬度风险。TyG-WHtR被证明是一个关键的独立预测因子。该模型及其可视化工具为社区范围内的早期动脉硬度筛查提供了实用的方法。

试验注册

临床队列注册编号：ChiCTR2300068117

注册日期：2023-02-07