腺苷脱氨酶与总胆汁酸联合XGBoost机器学习模型预测3年冠状动脉疾病新发风险

《European Journal of Medical Research》：A novel biomarker combination of adenosine deaminase and total bile acids for predicting 3-year coronary artery disease risk in middle-aged and older hospitalized patients

　　

摘要

背景

冠状动脉疾病（CAD）发病是死亡和疾病的主要诱因之一。短期风险评估比长期估计能产生更强的紧迫感，可促使立即采取预防措施。然而，用于近期预测的已验证生物标志物和工具十分稀缺。本研究旨在识别并验证预测3年新发CAD的新型生物标志物，以促进及时且有针对性的风险管理。

方法

本回顾性队列研究纳入了353例在基准住院期间无CAD病史的患者。根据随访冠脉造影结果，患者被分为CAD组（基准住院后3年内新发CAD，n = 130）和对照组（n = 223）。采用Cox回归、限制性立方样条（RCS）以及极端梯度提升（XGBoost）机器学习（ML）建模，用于识别和验证生物标志物，并构建风险预测ML模型。

结果

基线血浆腺苷脱氨酶（ADA）和总胆汁酸（TBA）水平升高与3年内CAD发病风险显著增加相关。多变量Cox回归证实基线ADA（HR = 1.525，95% CI 1.246–1.867，P < 0.0001）和TBA（HR = 1.253，95% CI 1.055–1.489，P = 0.01）为3年CAD风险的独立预测因子。RCS分析显示两种生物标志物与CAD风险之间存在线性剂量依赖关系。将ADA与TBA联合分析（截断值 > 12.25）可增强风险分层效果，高风险组在完全调整后的Cox模型中表现出2.795倍的相对风险增加及3.11（95% CI 1.985–4.878）的升高风险比。亚组分析证实所有分层中关联一致。纳入包括ADA和TBA在内的七种生物标志物的XGBoost模型在完整数据集上取得了优异的预测性能，AUC为0.846（95% CI 0.803–0.888）。SHAP分析识别出ADA和TBA为最具影响力的预测因子。生存分析表明，被XGBoost模型识别为高风险的患者在3年内的CAD发病率几乎是低风险患者的八倍（HR = 7.97）。

结论

ADA和TBA可作为预测中老年人群3年CAD风险的潜在生物标志物，将其纳入XGBoost模型可获得更优的预测性能。