老年人群血尿重金属暴露与心力衰竭的关联：基于NHANES的可解释机器学习模型研究

本研究针对重金属暴露与心力衰竭的复杂关联，利用NHANES数据库（2003–2020）构建了五种机器学习模型，最终选定梯度提升决策树（GBDT）作为最优模型（准确率0.78，AUC 0.92）。研究发现尿碘、血镉、尿钴等重金属与心力衰竭显著相关，并揭示了年龄与BMI的协同效应，为环境暴露致心血管疾病的风险评估提供了新方法。

　　

心血管疾病是全球健康的主要威胁，而心力衰竭（Heart Failure, HF）作为其终末阶段，影响着全球超6000万人，终生发病风险高达24%。尽管传统研究已发现镉、铅等重金属与HF的关联，但多数依赖线性统计模型，难以捕捉复杂非线性关系，且缺乏多金属交互作用的系统性分析。更关键的是，老年人群因长期暴露和环境累积效应，可能面临更高的重金属相关HF风险，但这一领域的研究仍存在空白。

为填补这一空白，研究人员基于美国国家健康与营养调查（NHANES）2003–2020年的数据，纳入6879名50岁以上参与者，通过机器学习方法探索血尿重金属与HF的关联。研究团队首先采用随机森林插补法（missForest）处理缺失数据，并利用互信息法（mutual information）筛选特征。通过比较支持向量机（SVM）、随机森林（RF）、XGBoost、梯度提升决策树（GBDT）和K近邻（KNN）五种模型，最终选择GBDT作为最优模型（训练集AUC 0.92，敏感度0.93）。为增强可解释性，研究结合SHAP（Shapley Additive exPlanations）、置换特征重要性（Permutation Importance）和个体条件期望图（ICE）等方法，揭示了关键风险因素及交互效应。

3.1 基线特征分析
HF组与非HF组在年龄（69.74±8.39 vs 65.33±9.04）、BMI（32.92±16.51 vs 29.53±7.22）及血镉（几何均值0.48 vs 0.40 μg/L）等13种重金属指标上存在显著差异（P<0.05），提示这些因素可能与HF发病相关。

3.2 模型性能比较
GBDT在测试集中表现稳健（AUC 0.81），显著优于其他模型（如KNN AUC 0.73）。其高敏感度（0.93）表明对HF病例的识别能力优异，但较低精度（0.20）提示需优化以减少假阳性。

3.3 模型可解释性

• SHAP分析：尿碘、血镉和年龄对HF预测贡献最大（SHAP值>0.1）。血镉与年龄的交互作用显示，老年高镉暴露者风险陡增。
• 置换重要性：尿铍（重要性得分0.147）和血镉（0.084）位列重金属前两位，远超其他金属。
• ICE与PDP图：血镉与HF风险呈剂量-反应关系，而尿铍呈现倒U型曲线，暗示阈值效应。

讨论与意义
本研究首次通过可解释机器学习整合多金属暴露数据，证实血镉、尿钴等与HF的独立及协同关联。尤其发现尿碘（几何均值183.23 ng/mL in HF组）的强预测性，为既往较少关注的元素提供了新证据。环境重金属可能通过氧化应激（Oxidative Stress）和表观遗传修饰等机制促进HF，而年龄与BMI的协同效应提示老年肥胖人群需重点监测。尽管横断面设计限制因果推断，但GBDT模型的高效能为临床风险分层提供了工具。

该研究发表于《International Journal of Cardiology Cardiovascular Risk and Prevention》，其创新性体现在：1）突破传统统计局限，利用机器学习捕捉非线性关联；2）首次系统评估血尿多金属联合效应；3）通过SHAP等技术实现“黑箱”模型的可视化解读。未来需扩大队列验证，并探索重金属拮抗剂（如螯合剂）在HF预防中的潜在价值。