编辑推荐：
为探究 LE8 评估的生活行为因素与 OP 风险临床关联价值，研究人员基于 NHANES 数据，用多因素逻辑回归、RCS 及 6 种 ML 模型分析。发现 LightGBM 模型表现最佳，SHAP 分析明确 LE8 组件贡献，为 OP 管理提供新策略。
骨质疏松（OP）作为一种系统性骨骼疾病，其特征是骨密度（BMD）降低和骨组织微结构退化，导致骨骼脆性增加，易发生骨折。据统计，全球 OP 患病率达 19.7%，在 50 岁以上人群中，女性患病率约为男性的 4 倍，且髋部骨折后一年内死亡率高达五分之一。随着全球人口老龄化加剧，OP 给公共卫生带来巨大挑战。传统危险因素分析显示，年龄、性别等不可变因素与血糖、BMI、生活方式等可变因素共同影响 OP 发生，但如何整合这些因素建立高效的风险评估模型仍需探索。
美国心脏协会提出的生命基本 8 要素（LE8）是评估心血管健康（CVH）的综合指标，包含 4 项健康行为（饮食、体力活动、尼古丁暴露、睡眠健康）和 4 项健康因素（BMI、血脂、血糖、血压）。已有研究表明 LE8 与 OP 风险呈负相关，但基于 LE8 的机器学习（ML）模型在 OP 分析中的应用尚未明确。为填补这一空白，来自北京友谊医院、首都医科大学大兴教学医院和清华大学的研究人员开展了相关研究，旨在构建 ML 模型评估 LE8 对美国人群 OP 风险的临床关联价值，并明确 LE8 各组件的贡献差异。该研究成果发表在《Journal of Health, Population and Nutrition》。
研究人员采用美国国家健康与营养检查调查（NHANES）数据，纳入 3902 名 50 岁及以上具备完整 LE8 和 OP 信息的参与者。主要技术方法包括：①数据预处理：通过随机森林算法填补缺失值，采用 Min-Max 归一化处理连续变量，运用合成少数过采样技术（SMOTE）解决类别不平衡问题；②统计分析：利用多因素逻辑回归和限制立方样条（RCS）分析 LE8 与 OP 的线性及非线性关联；③机器学习建模：构建 K - 近邻（KNN）、随机森林、决策树、支持向量机（SVM）、逻辑回归和 LightGBM 六种模型，通过曲线下面积（AUC）、准确率、F1 分数等指标评估模型性能，采用 SHapley 加性解释（SHAP）分析 LE8 组件的重要性排名。
研究结果
1. 研究对象基线特征
在 3902 名参与者中，364 人（9.33%）被诊断为 OP。与非 OP 人群相比，OP 组年龄更大，女性比例更高，教育水平和家庭收入较低，关节炎、甲状腺疾病、心血管疾病等患病率更高，钙、磷、酒精摄入量更低，多项血液指标（如血磷、25-OHD、血小板）存在显著差异。
2. LE8 与 OP 的关联分析
多因素逻辑回归显示，LE8 中的健康行为（HB）得分与 OP 呈负相关，健康因素（HF）得分与 OP 呈正相关。具体而言，睡眠健康得分每增加 10 分，OP 风险降低 16%（OR=0.84, 95% CI: 0.79-0.91）；BMI 得分每增加 10 分，OP 风险增加 19%（OR=1.19, 95% CI: 1.12-1.27）。RCS 分析表明，总 LE8 得分与 OP 存在非线性关联（Pnonlinear=0.0499）。
3. 机器学习模型性能比较
在六种 ML 模型中，包含 20 个特征的 LightGBM 模型表现最佳，测试集 AUC 为 0.9167，准确率 93.94%，特异性 97.70%。决策曲线分析（DCA）显示，该模型在所有阈值概率下的净获益均高于 “全治疗” 或 “全不治疗” 策略。校准曲线分析（CCA）表明其预测概率与实际观察结果高度吻合，Brier 分数最低（0.054）。
4. SHAP 分析 LE8 组件贡献
SHAP 分析显示，LE8 组件对 OP 风险的贡献排名为：BMI > 睡眠健康 > 血糖 > 尼古丁暴露 > 血脂 > 血压 > 健康饮食指数 - 2015（HEI-2015） > 体力活动。其中，睡眠健康、血脂和 HEI-2015 是主要负向贡献因素，BMI 是主要正向贡献因素。例如，睡眠健康得分每增加 1 个单位，OP 风险预测值降低 0.47，而 BMI 得分每增加 1 个单位，风险预测值增加 0.44。
研究结论与讨论
本研究首次将 LE8 与 LightGBM 模型结合用于 OP 分析，发现该模型能有效整合多维度生活行为和生理指标，提升 OP 风险评估的准确性。LE8 组件的贡献差异提示，针对 BMI、睡眠健康、饮食结构等关键因素的个性化干预可能更具临床价值。例如，维持适宜 BMI（避免过低或过高）、改善睡眠质量、遵循 HEI-2015 饮食模式可作为 OP 预防的重点。
研究还揭示了心血管健康与骨骼健康的潜在关联机制，如 BMI 通过机械负荷和激素代谢影响骨密度，睡眠紊乱可能通过干扰生长激素分泌和炎症反应加速骨丢失。这些发现为 “心血管 - 骨骼交互作用” 理论提供了新证据，提示改善 CVH 可能成为 OP 防治的新途径。
尽管研究存在横断面设计无法推断因果关系、缺乏动态 LE8 数据等局限，但其基于全国代表性样本的分析结果，为临床应用提供了可推广的 OP 筛查模型。未来需进一步在不同人群中验证模型，并探索 LE8 动态变化与 OP 风险的长期关联。总之，该研究为 OP 的精准预防和个性化管理开辟了新方向，彰显了 ML 技术在整合多维度健康数据中的优势。
