基于机器学习模型的人体测量指标对血脂异常的预测价值：一项大规模人群研究

本研究针对血脂异常(Dyslipidemia)这一可干预的慢性非传染性疾病风险因素，通过机器学习方法系统评估了11种人体测量指标(包括WHtR、BRI、AVI等)的预测效能。研究人员对9640名35-65岁伊朗人群进行分析，发现BMI、WHR、BSA和BAI是最强预测因子，其中逻辑回归模型预测准确率达89%。该研究为资源有限地区提供了经济有效的血脂异常筛查工具。

　　

血脂异常作为可干预的慢性病风险因素，已成为全球公共卫生挑战。传统诊断依赖昂贵复杂的生物电阻抗分析(BIA)，而常用指标如BMI无法区分脂肪分布差异。这促使研究者探索更经济有效的人体测量指标，但现有研究对各项指标的预测价值存在争议。为此，来自伊朗马什哈德医科大学的Somayeh Ghiasi Hafezi团队在《Population Health Metrics》发表研究，首次系统比较了11种人体测量指标结合6种机器学习模型对血脂异常的预测效能。

研究采用MASHAD队列9640名35-65岁受试者数据，通过逻辑回归(LR)、决策树(DT)、随机森林(RF)等算法分析指标关联性。主要技术包括：1) 分层整群随机抽样获取人群数据；2) 标准化采集空腹血脂和10余项人体测量数据；3) 采用SHAP值进行多模型特征重要性分析；4) 通过AUC-ROC等指标评估模型性能。

研究结果：

1. 1.

   人群特征：分析显示血脂异常组年龄(48.23±8.20 vs 47.17±8.54岁)和各项人体测量值均显著更高(P<0.05)，仅BMI差异不显著(P=0.058)。

2. 2.

   逻辑回归模型：显示WHR每增加1单位，血脂异常风险激增9倍(OR=9.29)；BSA增加1单位风险上升86%。肥胖组(BMI≥30)风险较正常组高83%(OR=1.83)，BAI第三分位数组风险增加69%。

3. 3.

   决策树模型：

   
   显示BMI是最重要节点，BMI≥31.6者91.7%患血脂异常，而BMI≤22.13且WHR≤0.902者仅36.7%患病。
4. 4.

   随机森林模型：特征重要性分析确认BSA(669.52)和WHR(633.47)主导预测。

   
   显示BSA<1.7时风险陡增。
5. 5.

   模型比较：

   
   显示LR综合表现最佳(准确率89%，AUC=0.89)。

讨论指出，BSA因反映代谢组织量而优于BMI，与血脂参数的正相关获得首次证实。WHR作为内脏脂肪标志物，其预测优势与印度研究一致。研究创新性在于：1) 建立适用于伊朗人群的简易筛查阈值；2) 首次系统比较11种指标预测效能；3) 证实传统指标BMI仍具核心价值。局限包括未考虑遗传因素和年龄范围限制。

该研究为基层医疗提供了具有成本效益的血脂异常筛查方案，特别适用于BIA设备匮乏地区。未来研究可整合代谢标志物提升模型精度，并通过纵向数据验证预测效果。