可解释的机器学习驱动的预测模型，用于评估早期心血管-肾脏-代谢综合征患者认知功能障碍的发生情况：来自CHARLS纵向队列研究的见解

《DIABETES OBESITY & METABOLISM》：Explainable machine learning-driven predictive modelling of incident cognitive impairment in individuals with early-stage cardiovascular–kidney–metabolic syndrome: Insights from a longitudinal CHARLS cohort study

早期心血管-肾脏-代谢综合征（CKM）患者认知障碍风险预测模型的构建与验证

　　

摘要

研究目的

尽管心血管-肾脏-代谢（CKM）综合征已被认为是一种由代谢、肾脏和心血管功能障碍相互关联的疾病，但在该综合征早期、可改变阶段，用于评估认知结局的实际风险分层工具仍然缺乏。本研究旨在开发一个可解释的机器学习模型，以估计早期CKM综合征患者发生认知障碍的长期风险。

材料与方法

这项前瞻性队列研究利用了“中国健康与退休纵向研究”（China Health and Retirement Longitudinal Study）的数据，该研究涵盖了具有全国代表性的成年人群体。共有4462名基线时CKM分期为0-2级的参与者被纳入研究，并完成了截至2020年的随访。认知障碍的定义是认知表现低于年龄调整后的平均值1个标准差以上。使用Boruta算法和LASSO回归筛选潜在的预测因子，随后进行多重共线性评估。训练并验证了9个机器学习模型，并对其区分能力、校准效果和临床实用性进行了评估。模型的可解释性通过Shapley加性解释（ShAP）方法进行评估。

结果

在10年的随访期间，有525名参与者（11.8%）出现了认知障碍。最终保留了10个预测因子，包括教育水平、总胆固醇、年龄、空腹血糖、尿酸、估算的葡萄糖代谢率、舒张压、相对脂肪量、CKM分期和代谢综合征。XGBoost模型表现出最佳的性能（验证AUC=0.726），具有很强的校准能力和良好的决策曲线特征。ShAP分析确定教育水平、总胆固醇和年龄是最重要的预测因子。

结论

我们基于易于获取的临床和代谢参数构建的可解释机器学习框架，为预测早期CKM综合征患者10年内的认知障碍风险提供了一个可靠且具有临床应用价值的工具。

利益冲突声明

作者声明没有利益冲突。

同行评审

本文的同行评审历史信息可访问：https://www.webofscience.com/api/gateway/wos/peer-review/10.1111/dom.70346。

数据可用性声明

支持本研究的数据可在CHARLS网站（http://charls.pku.edu.cn/en）上获取。