基于AI算法的家族性高胆固醇血症患者预后分层：性别特异性研究

本研究针对家族性高胆固醇血症(FH)患者心血管风险预测的临床需求，开发了基于机器学习(ML)和人工智能(AI)的性别特异性风险分层算法。研究人员利用西班牙动脉粥样硬化学会(SEA)注册数据，构建了随机生存森林(RSF)模型，结果显示该模型预测主要不良心血管事件(MACE)的AUC达0.88，显著优于传统风险评分。研究特别强调通过SHAP解释性分析揭示性别差异因素，为FH患者的精准管理提供了新工具。

　　

家族性高胆固醇血症(FH)作为最常见的常染色体显性遗传病，全球患者约3400万，其特点是低密度脂蛋白胆固醇(LDL-C)水平异常升高和早发动脉粥样硬化性心血管疾病(ASCVD)风险。尽管FH患者均被视为高危人群，但个体间风险差异显著，现有SCORE等传统评分系统常低估其实际风险。更值得关注的是，临床实践中存在明显的性别差异——女性FH患者往往被低估风险且治疗不足，这种性别偏见可能延续到新兴的数字医疗时代。

为应对这些挑战，Zamora A等研究团队在《European Heart Journal - Digital Health》发表了一项开创性研究。他们利用西班牙动脉粥样硬化学会国家注册库(2013-2017年)中1764例FH患者数据（包括1540例基因确诊患者），开发了首个从性别视角出发的AI-ML预后分层算法。研究采用随机生存森林(RSF)等先进机器学习技术，整合临床、生化、遗传、影像和治疗反应等多维数据，并通过SHAP解释性分析揭示性别特异性风险因素。

研究采用的关键方法包括：1) 从SEA注册库中筛选DLCN评分≥8或基因确诊的FH患者；2) 应用CRISP-DM框架开发预测模型，重点使用处理缺失值能力强的梯度提升决策树；3) 通过5折交叉验证评估模型性能；4) 采用SHAP方法解析性别差异特征重要性；5) 使用Youden指数确定最佳风险阈值。

研究结果

机器学习模型

开发的AI算法在预测MACE方面表现出色，AUC达0.88(95%CI 0.85-0.90)，显著优于SAFEHEART-RE(C-index 0.55)和SIDIAP-FHP(C-index 0.71)等现有FH专用评分。模型召回率在女性亚组达0.98，男性为0.82，但非MACE的识别存在性别差异（女性0.23 vs 男性0.61）。

最优风险阈值

通过Youden指数确定0.25为区分极高风险的最佳阈值，61.4%的男性MACE患者和22.7%的女性MACE患者超过此阈值。

性别差异分析

SHAP分析揭示显著性别差异：女性风险主要受年龄、家族史、主动脉狭窄、亚临床疾病和腰围影响；而男性更受LDL-C、联合降脂治疗起始年龄和HbA1c等因素驱动。值得注意的是，apoB对女性风险的预测价值高于LDL-C。

讨论与意义

该研究首次将性别视角系统融入FH的AI风险预测，其创新性体现在三方面：技术层面，证明ML算法（AUC 0.88）显著优于传统统计模型；临床层面，发现apoB对女性、LDL-C对男性的差异化预测价值；方法学层面，通过SHAP实现模型可解释性，避免"黑箱"问题。

研究结果对临床实践具有重要启示：首先，强调FH管理中性别差异的客观存在，女性并非绝对"低风险"；其次，提出apoB可能作为女性FH的更优标志物；最后，为开发"电子红旗"预警系统奠定基础。作者也指出研究局限性，包括横断面设计、样本量限制（尤其女性MACE病例较少），建议未来在欧洲FH患者网络等更大队列中进行验证。

这项研究标志着FH管理向精准医学迈出重要一步，其方法论启示超越FH领域——在AI医疗时代，必须在算法开发初期就纳入性别视角，避免历史偏见在数字时代的延续。随着该模型在电子健康记录中的整合应用，有望实现从"被动治疗"到"主动预防"的范式转变，最终改善全球FH患者的长期预后。