基于机器学习的LDL胆固醇优化治疗模型构建与临床决策支持研究

本研究针对心血管疾病(CVD)高危患者低密度脂蛋白胆固醇(LDL-C)控制难题，通过对比随机森林分类器(RFC)、梯度提升分类器(GBC)等9种机器学习模型，构建个性化治疗推荐系统。结果表明RFC和GBC模型在预测最佳降脂方案方面表现最优，准确率达临床适用水平，为突破治疗惯性、实现精准医疗提供AI解决方案。

　　

心血管疾病(CVD)长期占据全球死亡原因首位，其中低密度脂蛋白胆固醇(LDL-C)升高是动脉粥样硬化发展的关键驱动因素。尽管现有他汀类药物、PCSK9抑制剂等多种降脂手段，临床实践中仍普遍存在治疗选择不当、剂量调整滞后等问题，导致高达40%患者无法达到目标LDL水平。这种治疗困境源于复杂的风险因素交互作用，以及传统诊疗模式难以实现的个体化决策需求。

来自哥伦比亚卡塔赫纳心血管专科诊所的研究团队在《Computers in Biology and Medicine》发表研究，首次系统评估机器学习(ML)在LDL-C管理中的应用价值。研究团队收集162例拉丁加勒比地区心血管风险患者的临床数据，通过对比随机森林分类器(RandomForestClassifier, RFC)、梯度提升分类器(GradientBoostClassifier, GBC)等9种算法性能，开发能预测最佳治疗方案的决策支持模型。关键技术包括：1)基于专科诊所电子病历构建患者队列；2)采用多重插补法处理缺失值；3)保留临床相关异常值以反映真实变异；4)通过SHAP值解释模型预测逻辑。

【研究结果】
• 模型比较：RFC和GBC在曲线下面积(AUC)和F1分数上显著优于朴素贝叶斯(Na?ve Bayes Classifier, NBC)等基线模型，其中RFC对复杂特征交互的捕捉能力最强。
• 影响因素：肾功能指标、基线LDL水平、糖尿病共病状态构成最重要的预测变量，与临床指南强调的风险分层要素高度吻合。
• 临床验证：在115例达标患者的亚组分析中，模型推荐方案与实际有效治疗方案的一致性达78%，显著高于传统决策流程。

【结论与讨论】
该研究证实机器学习可有效破解降脂治疗中的"一刀切"困境。RFC模型通过整合多维度临床特征，不仅能推荐他汀强度、联合用药等关键决策，还能量化不同方案的目标达成概率。特别值得注意的是，模型识别出被现行指南低估的预测因子——如尿酸水平与PCSK9抑制剂响应的非线性关联，这为未来指南更新提供了新证据。研究者同时指出，真实世界中的药品可及性、成本约束等因素需作为下一步模型的优化方向。这项成果标志着人工智能辅助决策在慢性病管理领域迈出关键一步，其方法论框架可扩展至高血压、糖尿病等其他需长期治疗的疾病领域。