《Life》：Machine Learning Approach for Cardiovascular Disease Risk Stratification Using Ensemble Classifiers and Dimensionality Reduction
编辑推荐：
心血管疾病（Cardiovascular Disease, CVD）仍然是全球发病和死亡的主要原因，这促使数据驱动工具补充既定的临床风险标准。研究人员提出了一种用于CVD风险评估的双路径机器学习框架。路径一是一个简短的规则可学习性验证，通过一个确定性的MEWS
心血管疾病（Cardiovascular Disease, CVD）仍然是全球发病和死亡的主要原因，这促使数据驱动工具补充既定的临床风险标准。研究人员提出了一种用于CVD风险评估的双路径机器学习框架。路径一是一个简短的规则可学习性验证，通过一个确定性的MEWS/Framingham启发评分规则生成四级风险标签；由于标签是输入的确定性函数，分类器对其近乎完美的恢复仅是一致性检查，而非预测证据。路径二，即本研究的重点和主要贡献，是一个混合流程，将无监督预处理（K近邻（K-Nearest Neighbors, KNN）插补、PCA/UMAP降维、K-Means表型分型）与监督集成分类器（随机森林、XGBoost、LightGBM）相结合，在约70,000条记录的Kaggle队列上训练，并使用相同的prevalent-CVD定义在独立219患者队列上进行外部验证。在外部队列中，六条流程表现相当（准确率70–74%，外部队列AUC 0.82–0.85）；配对McNemar检验显示UMAP和PCA流程之间无显著差异（所有p > 0.05），功效分析表明队列太小而无法区分它们，因此不宣称任何配置更优。无监督表型分析作为描述性、假设生成的步骤被纳入；其结果关联具有统计学意义，但效应量可忽略。该框架为CVD风险分类提供了一种可重复、临床可解释的方法。
心血管疾病（CVD）仍是全球发病和死亡的主要原因，促使数据驱动工具辅助传统临床风险标准。现有临床决策支持系统普遍存在模型可解释性与预测性能之间的权衡，且线性降维（如PCA）与流形降维（如UMAP）在表格型临床数据中能否保留判别性信号尚无定论。为此，研究人员提出一种双路径机器学习框架：路径一验证确定性评分规则的可学习性，路径二构建混合无监督预处理加监督分类流程，并在独立队列中评估其外部有效性。
研究人员利用约70,000条记录的Kaggle训练队列，并合并Stroke Prediction（5110条）和Heart Failure Prediction（918条，其中219条作为外部验证）队列。关键技术方法包括：KNN缺失值插补、PCA/UMAP降维、K-Means聚类、随机森林/XGBoost/LightGBM集成分类器，结合网格搜索与Youden’s J阈值确定，采用外部队列配对McNemar检验及置换检验评估性能。
3.1 规则可学习性验证（路径一）：确定性评分生成四级风险标签，分布严重不平衡（低风险73.2%，中风险22.2%，高风险4.3%，危重0.26%），故采用宏观F1得分（macro F1-score）与SMOTE。九种分类器中，LightGBM取得最高验证宏观F1得分（0.9870）和交叉验证F1（0.9954），但该结果仅证明规则可被分类器恢复，并非预后预测证据。
3.2 二元混合流程学习（路径二）：通过人工掩蔽4800个细胞评估KNN插补，选择k=3（相对均方根误差约11.66%，分类准确率约84.4%）；年龄和胆固醇两项略超接受阈值。PCA保留7个主成分（累计方差约80–90%），UMAP选7维嵌入（结构信任度0.9944）。六种集成-降维管道在外部219例队列上准确率70.3%–74.4%，外部AUC 0.82–0.85；配对McNemar检验显示各分类器的UMAP与PCA变体间均无显著差异（p > 0.05），功效分析表明外部样本量不足以区分。PCA管道后验概率呈更清晰的双峰分离，UMAP管道更多集中于中间概率区；两系列概率分配高度一致。训练集AUC约0.79。
3.3 无监督表型发现：肘法确定5个簇，训练与验证队列分别独立拟合，不能跨表比较。簇间主要区分变量是胆固醇和葡萄糖水平，但簇与结局关联极弱（归一化互信息很小，置换检验显著但效应量可忽略），且未发现结局泄漏证据，故表型为描述性、假设生成性结果。
讨论总结：路径一的近完美分数反映规则恢复而非诊断性能；路径二中PCA与UMAP在风险分类上统计上不可区分，选择可基于可解释性、计算成本和外样本投影稳定性。表型分析指向代谢变量为分离主轴，但仅作为描述性关联。局限性包括外部队列小、UMAP外样本投影为近似、四级标签部分编码数据来源、缺乏纵向结局。结论翻译：本研究提出了用于心血管风险分层的双路径机器学习框架，其主要贡献是路径二——混合无监督预处理加监督分类流程。路径一仅用于验证确定性四级规则的可学习性；其近乎完美的恢复是一致性检查，而非预测证据。在路径二中，独立219例患者队列上六种集成-降维流程表现相当（准确率70–74%，外部AUC 0.82–0.85），配对McNemar检验未发现UMAP与PCA变体间显著差异（所有p > 0.05）。因此，该框架被报告为一种可重复、可解释的方法学贡献，且不宣称任一降维技术更优或对现有数据具有真正预后能力。
