机器学习算法揭示膳食模式网络与心血管风险的关联：NutriNet-Santé队列研究

本研究运用高斯图模型（GGM）和Louvain算法构建膳食模式网络，发现超加工甜食零食网络与心血管疾病（CVD）风险显著正相关（HRQ5vsQ1=1.32），为基于数据科学的精准营养干预提供新视角。

　　

Abstract

Background

数据科学与机器学习领域的重大进展催生了如高斯图模型（GGM）和Louvain算法等新方法，用于识别膳食模式（DP）。

Objective

采用新型计算方法识别膳食模式网络，并探究这些网络与法国人群心血管疾病（CVD）风险的关联。

Methods

研究使用NutriNet-Santé队列中99,362名≥15岁参与者的数据。通过≥2次24小时膳食记录评估膳食摄入，并将其分类为42个食物组（克/天）。CVD事件通过健康问卷评估并经医疗记录验证。采用GGM结合Louvain算法推导膳食模式网络——GGM是基于条件相关性矩阵呈现多变量（食物组）关系的网络模型，而Louvain算法可从大型网络中提取非重叠社区。使用经混杂变量调整的比例风险Cox模型评估膳食模式网络与CVD发病率的关联。

Results

分析揭示五个 distinct 膳食模式网络：1-开胃食品、2-早餐食品、3-植物性食品、4-超加工甜食零食、5-健康食品。经能量和包括整体膳食质量在内的潜在混杂因素调整后，仅超加工甜食零食网络与较高CVD风险相关（HR_Q5vsQ1=1.32，95%CI=1.11-1.57，趋势P值=0.0002）。

Conclusions

结果表明，反映超加工甜食零食消费的膳食模式网络与法国人群CVD事件独立于膳食质量相关。这种推导实证性膳食模式网络的创新方法有助于识别人群中可能共同消费的食物组，从而为预防CVD的饮食习惯靶点提供依据。