基于随机森林的阻塞性睡眠呼吸暂停患者并发轻度认知障碍筛查模型的多中心开发与外部验证研究

《BMC Psychiatry》：Interpretable machine learning for identifying mild cognitive impairment among Chinese patients with obstructive sleep apnea: a multicenter cross-sectional study

　　**摘要****背景**轻度认知障碍（MCI）在阻塞性睡眠呼吸暂停（OSA）中具有临床相关性。我们开发并外部验证了一个可解释的机器学习模型，用于识别临床定义的并发MCI，以支持优先安排正式认知评估，而非用于诊断。**方法**这项多中心横断面诊断预测研究纳入了来自长春的400名符合条件的OSA患者，分为训练集（n = 280）和内部算法选择留出集（n = 120），并包括一个独立的深圳外部验证样本（n = 192）。MCI分类整合了报告的认知下降、客观认知证据、基本保留的日常独立性、排除痴呆以及评估团队共识（有医生参与）。在27个候选预测变量中，经冗余审查后保留24个，LASSO-Boruta共识方法保留9个。特征选择在完整训练集上一次性进行，然后进行重复交叉验证，未嵌套在重采样折中。使用带有训练折专用SMOTE的重复10折交叉验证对8个算法进行调优，以PR-AUC作为主要指标。随机森林阈值（0.3228）源自训练折外概率，并在验证前锁定。**结果**MCI在93/280（33.2%）、38/120（31.7%）和57/192（29.7%）的参与者中被分类。9个随机森林预测变量包括：咖啡摄入量、体力活动、AHI、MSaO2、PHQ-9、GAD-7、ESS、CPSS-14和PSQI总分。在用于算法选择的内部留出集中，随机森林模型的ROC-AUC为0.953，PR-AUC为0.936，Brier分数为0.060；这些选择条件估计并非无偏的泛化估计。在独立外部验证中，ROC-AUC为0.957，PR-AUC为0.809，Brier分数为0.051。校准截距为?0.616，斜率为0.701，表明尽管区分度强，但仍存在系统性的概率高估。**结论**随机森林模型在深圳表现出强区分能力，但外部校准不足和系统性概率高估意味着高AUC并不能使原始概率可直接迁移；在临床使用前需要进行本地校准评估，必要时进行重新校准。MCI结局无法仅从问卷/量表评分中复现，补充表S10是回顾性操作规范而非原始CRF（病例报告表）。性能证据几乎全部来自男性OSA患者；该模型在女性中的有效性尚未确立，不应用于女性的临床评估。这是一个研究性筛选优先工具，而非诊断、因果、预后或临床影响工具。