静息心率结合机器学习增强CAIDE痴呆风险评分的跨种族有效性研究：来自美国国家阿尔茨海默病协调中心的分析

本研究通过整合静息心率（RHR）和机器学习技术，显著提升了心血管风险因素、衰老与痴呆（CAIDE）模型在多种族人群中的预测准确性（AUC 0.80–0.91）。研究基于美国国家阿尔茨海默病协调中心（NACC）数据，采用随机森林算法开发CAIDE-RHR模型，发现除美洲印第安人群外，RHR的引入均能优化痴呆风险预测。成果为临床提供了一种非侵入性、可操作的早期筛查工具，并强调了种族特异性模型验证的重要性。

　　

背景

痴呆预后评分的临床实用性在多样化人群中的有效性有限。心血管风险因素、衰老与痴呆（CAIDE）模型虽广泛用于白人中年群体的20年痴呆风险评估，但其在其他种族中的适用性存疑。静息心率（RHR）作为心血管健康的非侵入性标志物，可能通过自主神经系统功能补充现有模型。

方法

研究利用NACC数据库（2005–2023年）的44,467名参与者数据，通过随机森林算法开发CAIDE和CAIDE-RHR模型。模型性能通过受试者工作特征曲线下面积（AUC）、马修斯相关系数（MCC）和Brier评分评估。RHR按标准分为<60、60–100、>100次/分钟（bpm），其他变量包括年龄、BMI、教育水平等。

结果

训练队列：CAIDE-RHR模型在黑人（AUC 0.92）、亚裔（0.89）和白人（0.89）中表现优异，但美洲印第安人AUC从0.87降至0.84。验证队列：RHR的加入使整体AUC提升6%，黑人群体仍保持最高预测力（AUC 0.89）。变量重要性分析显示，BMI、年龄和教育是跨种族核心预测因子，而高血压和胆固醇影响较小。

性别分层：男性在黑人、亚裔和白人中痴呆风险更高，可能与未测量的遗传或激素因素有关。药物分析：β受体阻滞剂和钙通道阻滞剂对RHR与痴呆的关联无显著影响，支持RHR的独立预测价值。

讨论

CAIDE-RHR模型的高性能凸显了RHR在痴呆预测中的补充作用，尤其是其通过心血管应激反应影响脑血流灌注的病理机制。种族差异可能源于心血管疾病风险分布或模型开发时的选择偏倚。美洲印第安人群的异常结果需进一步研究社会健康决定因素的影响。

局限性与展望

机器学习模型的“黑箱”特性可能阻碍临床解读，但可通过解释性工具缓解。缺乏长期随访数据限制了模型对20年风险的评估。未来需纳入社会健康决定因素，并在独立队列中验证。

结论

RHR显著提升了CAIDE模型的跨种族预测能力（除美洲印第安人群外），为个性化痴呆预防提供了实用工具。研究强调了在多样化人群中验证风险模型的必要性，以推动精准医学的公平应用。

（注：全文严格基于原文数据，未添加主观推断。）