基于机器学习分层解析健康体检人群高尿酸血症的年龄特异性风险模式及精准预测模型构建

本研究针对高尿酸血症(HUA)年龄特异性风险模式争议，通过2821例体检人群的横断面调查，采用逻辑回归(LR)、随机森林(RF)和XGBoost算法构建年龄分层预测模型。研究发现HUA总检出率达22.8%，揭示不同年龄段关键风险因子差异：青年组(18-30岁)以空腹血糖(FPG)为主，中老年组(>60岁)则以肌酐(Cr)和甘油三酯(TG)为核心。最优模型AUC达0.840，为年龄分层精准干预提供循证依据。

　　

随着城市化进程加速和饮食结构改变，高尿酸血症(HUA)已成为继糖尿病之后第二大代谢性疾病。全球成人患病率达21.4%，中国过去20年患病率从8.5%激增至16.4%，呈现显著年轻化趋势。这种以嘌呤代谢紊乱为特征的疾病，通过促炎、促氧化和血管收缩作用，与多种代谢性疾病和心血管风险密切相关。然而当前研究多基于普通人群横断面分析，忽视不同年龄段的生理代谢差异，导致HUA的年龄特异性风险模式存在广泛争议。

中南大学湘雅三医院健康管理医学中心的研究团队在《BMC Medical Informatics and Decision Making》发表研究，通过机器学习驱动的分层分析揭示体检人群HUA的年龄特异性风险图谱。该研究纳入2022-2024年间2821例体检者，采用电子问卷采集社会人口学特征和健康行为数据，结合实验室检测指标（包括血清尿酸(SUA)、肌酐(Scr)、甘油三酯(TG)等），运用SPSS 27.0进行单因素分析和二元Logistic回归筛选独立风险因素，最终通过Python 3.8.2构建三种机器学习模型并采用SHAP值解析特征重要性。

研究主要发现五个年龄组(18-30、31-40、41-50、51-60、>60岁)存在显著差异：青年组风险主要关联空腹血糖(OR=3.192)，反映早期代谢异常；中年组(31-50岁)以BMI、丙氨酸氨基转移酶(ALT)和酒精摄入为核心；老年组(>60岁)则突出表现为肌酐(OR=1.039)和甘油三酯(OR=1.370)的协同作用。机器学习模型显示，逻辑回归(LR)在多数年龄段表现最优(AUC 0.749-0.840)，SHAP分析确认肌酐、甘油三酯和酒精摄入为正向预测因子，而女性性别呈保护作用。

这项研究的创新价值在于：首次将机器学习可解释性与传统回归结合，构建年龄分层的HUA预测体系。临床转化方面，为不同年龄段制定差异化干预策略——青年人群应关注血糖监测和低果糖饮食，中年群体需加强肝脏保护与酒精控制，而老年患者则应重视肾功能-血脂联合管理。研究提出的数字健康工具动态监测方案，为生命周期健康管理提供可操作路径，对推动代谢性疾病的精准预防具有重要实践意义。