研究个体食物炎症评分与成人中风之间的关联：一种基于极端梯度提升算法的机器学习模型，并通过Shapley加性解释方法进行解读

《Journal of Health, Population and Nutrition》：Investigating the association between the food inflammation scores of individuals and stroke in adults: an extreme gradient boosting machine learning model interpreted with shapley additive explanations

　　

摘要

背景

慢性全身性炎症是中风的一个关键可改变风险因素。基于食物的食物炎症指数（FII）提供了一种评估饮食炎症潜力的新方法，然而其衍生指标——个体食物炎症评分（FISI）与中风发病率之间的关联仍需进一步阐明。

方法

本研究分析了NHANES（2007–2018）数据库中的19,681名成年人的数据。通过多变量逻辑回归和机器学习模型（XGBoost）评估了FISI与中风之间的关联，并通过SHAP分析进行了解释。

结果

较高的FISI评分与中风发病率的增加呈正相关，且这种关联具有剂量依赖性。具体而言，FISI34、FISI26-USDA和FISI26-CHINA每增加一个单位，中风的风险分别增加7%、18%和22%。XGBoost建模确定FISI34是一个关键预测因子，这进一步支持了回归分析的结果。

结论

本研究确立了基于FII得出的较高FISI值与中风风险之间的紧密联系。FII框架通过提供个性化的、可操作的、针对特定食物的抗炎饮食建议，优于基于营养素的指数方法，有助于预防中风。

图形摘要

此图像的替代文本可能是由AI生成的。

背景

慢性全身性炎症是中风的一个关键可改变风险因素。基于食物的食物炎症指数（FII）提供了一种评估饮食炎症潜力的新方法，然而其衍生指标——个体食物炎症评分（FISI）与中风发病率之间的关联仍需进一步阐明。

方法

本研究分析了NHANES（2007–2018）数据库中的19,681名成年人的数据。通过多变量逻辑回归和机器学习模型（XGBoost）评估了FISI与中风之间的关联，并通过SHAP分析进行了解释。

结果

较高的FISI评分与中风发病率的增加呈正相关，且这种关联具有剂量依赖性。具体而言，FISI34、FISI26-USDA和FISI26-CHINA每增加一个单位，中风的风险分别增加7%、18%和22%。XGBoost建模确定FISI34是一个关键预测因子，这进一步支持了回归分析的结果。

结论

本研究确立了基于FII得出的较高FISI值与中风风险之间的紧密联系。FII框架通过提供个性化的、可操作的、针对特定食物的抗炎饮食建议，优于基于营养素的指数方法，有助于预防中风。

图形摘要

此图像的替代文本可能是由AI生成的。