成人焦虑障碍人群中银屑病共病的营养素、食物组与食物项水平膳食特征：一项可解释机器学习研究

《Food Science & Nutrition》：Nutrient-, Food-Group-, and Food-Item-Level Dietary Signatures of Psoriasis Comorbidity Among Adults With Anxiety Disorder: An Explainable Machine Learning Study

　　

银屑病与焦虑障碍经常共现，但与该共病相关的膳食特征仍缺乏充分刻画。本横断面研究使用链接的美国国家健康与营养调查（NHANES）、食物模式等价物数据库/MyPyramid等价物数据库（FPED/MPED）以及美国饮食（WWEIA）数据，比较了经药物定义的焦虑障碍成人中营养素、食物组和食物项水平的膳食表征。构建了三个分析数据集：营养素水平（n=1016；37例银屑病共病病例）、食物组水平（n=1215；46例病例）和食物项水平（n=1257；46例病例）。每个数据集采用固定分层7:3训练-验证拆分。相关性过滤、影子特征选择、缩放、类别不平衡处理及超参数调优均限定于训练流程内，采用五折分层交叉验证和一个未触碰的验证集。比较了七种模型，包括传统多变量逻辑回归。在锁定验证中，营养素水平逻辑回归模型显示出最强的验证信号（受试者工作特征曲线下面积[AUC-ROC] 0.645，95%置信区间[CI] 0.464–0.811；精确率-召回率曲线下面积[AUC-PR] 0.063；Brier评分0.176）。食物组逻辑回归模型（AUC-ROC 0.396，95% CI 0.256–0.539）和食物项极端梯度提升（XGBoost）模型（AUC-ROC 0.401，95% CI 0.273–0.537）在本样本中提供较有限的验证信号。对交叉验证所选模型的SHapley Additive exPlanations（SHAP）分析识别出烟酸、碳水化合物摄入、β-隐黄质、脂肪相关变量、高血压、体重指数和选定食物类别为有影响的模型特征。这些贡献最好解释为模型衍生信号，可优先考虑候选膳食和临床特征以供进一步研究。总之，研究结果强调营养素水平膳食信息是后续开发焦虑成人与营养知情风险评估中最有前景的表征。更大规模的前瞻性队列和外部验证可能进一步增强这些信号的临床适用性。

研究背景方面，银屑病（psoriasis）为系统性、免疫介导的炎症性疾病，焦虑障碍（anxiety disorder）以持续担忧、恐惧和紧张为主要特征。临床与流行病学证据提示二者存在双向关系，共病涉及“心理-神经-内分泌-皮肤”轴（psycho-neuro-endocrine-skin axis）失调；焦虑可激活下丘脑–垂体–肾上腺（HPA）轴和交感神经系统，促进肿瘤坏死因子-α（TNF-α）、白细胞介素-6（IL-6）、白细胞介素-17（IL-17）等促炎介质释放，加重皮肤炎症和角质形成细胞异常增殖；反之，皮损、瘙痒和疼痛可通过污名化及生活质量下降加重焦虑。既有研究提示共病共享氧化应激失衡、炎症放大和肠–脑–皮肤轴（gut–brain–skin axis）功能障碍等基础。膳食作为可改变暴露，可能通过调节系统性炎症、氧化应激、免疫代谢和肠道菌群参与该过程。但既往研究多聚焦银屑病或焦虑单一结局，且常依赖单一膳食粒度，难以捕捉真实膳食暴露的高维特征和非线性关联。因此，研究人员开展多层级膳食表征比较，评估营养素、食物组和食物项水平能否捕捉药物定义焦虑障碍成人中与银屑病共病相关的膳食特征。研究得出，营养素水平逻辑回归模型具有最强锁定验证信号，但置信区间较宽；食物组和食物项模型判别有限且不稳定；传统逻辑回归在三种表征中的两种被选中，未观察到机器学习相对传统多变量建模的一致性能优势。其意义在于将营养素水平膳食信息识别为后续营养知情风险评估最有前景的起点，同时强调模型尚不能用于临床预测，需更大前瞻性队列和外部验证。

关键技术方法概括如下：该研究为横断面分析，样本来源于NHANES 2005–2006和2009–2014调查周期，并链接MPED和WWEIA数据库；构建营养素、食物组和食物项三种膳食表征。各数据集按固定随机种子行分层7:3训练-锁定验证拆分；训练流程内完成相关性过滤（|r|>0.90）、基于Boruta原理的影子特征随机森林选择、标准化、多数类下采样及SMOTE/SMOTENC少数类过采样、五折分层交叉验证和超参数调优；比较随机森林、LightGBM、KNN、朴素贝叶斯、SVM、XGBoost和传统多变量逻辑回归，验证集不参与特征选择、重采样、调优、阈值选择或模型选择；采用SHAP解释交叉验证所选模型。

研究结果如下。3.1 Participant Characteristics by Psoriasis Comorbidity Status（按银屑病共病状态的参与者特征）：通过三个数据库的基线比较，NHANES数据集纳入1016名参与者（平均年龄50.45±16.05岁；63.39%女性），其中37例焦虑障碍–银屑病共病；共病组蛋白质、β-胡萝卜素和β-隐黄质摄入较低，但差异均无统计学显著性。MPED数据集纳入1215名参与者（平均年龄49.15±15.59岁；64.03%女性），46例共病；共病组柑橘、瓜类、浆果和总水果摄入较低，差异无统计学显著性。WWEIA数据集纳入1257名参与者（平均年龄49.20±15.54岁；63.64%女性），46例共病；共病组水果饮料和其他减肥饮料摄入较低，差异无统计学显著性。由此得出，描述性膳食差异存在但未达显著。3.2 Feature Selection via Machine Learning（通过机器学习进行特征选择）：通过在训练流程内进行相关性过滤，营养素训练集去除DR1TSFAT、DR1TMFAT、DR1TFDFE和DR1TVK四个高度相关变量，MPED训练集去除DR1T_V_REDOR_TOTAL、DR1T_V_STARCHY_TOTAL、DR1T_G_TOTAL和DR1T_PF_LEGUMES，WWEIA无特征超过阈值；基于Boruta原理的影子特征随机森林最终保留28个营养素特征、29个食物组特征和32个食物项特征。结论为各膳食表征获得最终特征集，且避免验证集泄漏。3.3 Construction and Evaluation of Machine Learning Models（机器学习模型的构建与评价）：通过五折交叉验证选择模型并在锁定验证集一次性评价七种模型，营养素水平逻辑回归交叉验证平均AUC-ROC为0.587，锁定验证集（n=305；11例共病）AUC-ROC为0.645（95% CI 0.464–0.811）、AUC-PR为0.063、Brier评分为0.176；MPED食物组逻辑回归交叉验证平均AUC-ROC为0.563，验证集（n=365；14例）AUC-ROC为0.396（95% CI 0.256–0.539）、AUC-PR为0.032、Brier评分为0.252；WWEIA食物项XGBoost交叉验证平均AUC-ROC为0.560，验证集（n=378；14例）AUC-ROC为0.401（95% CI 0.273–0.537）、AUC-PR为0.031、Brier评分为0.124。结论为营养素水平模型验证信号最强但估计不精确，食物组和食物项模型样本外判别有限且不稳定；泄漏控制后的重跑未复现此前高验证AUC，未观察到机器学习相对传统多变量建模的一致优势，但机器学习仍对高维特征探索和优先级排序有价值。3.4 Model Interpretation Using SHAP（使用SHAP进行模型解释）：通过SHAP分析交叉验证所选模型，营养素水平逻辑回归中烟酸具有最大的膳食SHAP贡献，较高值贡献于较低的模型预测共病概率；碳水化合物摄入、β-隐黄质、咖啡因和β-胡萝卜素呈类似方向，α-生育酚、总脂肪、总糖和叶酸呈相反方向；高血压为最强非膳食贡献因素。MPED逻辑回归中主要贡献特征包括家庭收入-贫困比（PIR）、添加糖、体重指数（BMI）、酒精饮料、总蔬菜和鸡蛋等；WWEIA XGBoost中主要贡献特征包括人造黄油、高血压、自来水、蛋黄酱、BMI、咖啡、选定谷物类别和软饮料。结论为这些排序应解释为探索性模型行为信号，而非生物学效应或因果膳食关联。

讨论部分总结：多粒度膳食建模与可解释机器学习风险分层显示，增加膳食粒度未自动改善样本外性能，提示需验证高维膳食建模的表观增益；机器学习与传统回归在膳食表征间提供互补视角，但有限结局事件和弱样本外判别表明模型复杂性不能补偿独立结局信息不足。营养素水平模型中，烟酸信号与NAD⁺代谢及sirtuin介导的细胞能量和炎症信号调控相关，类胡萝卜素信号可能与氧化还原平衡和免疫稳态相关，但研究不支持将单个营养素SHAP值转化为补充目标；未来需重复膳食评估、更多银屑病结局及整合炎症负荷和治疗状态的临床变量。食物组和食物项表征判别有限且不稳定，相关特征不应据当前模型标记为保护或有害因素；咖啡等特征方向不应泛化，食物水平结果更适合作为后续营养流行病学优先级图。临床与公共卫生方面，当前模型尚不适用于筛查或治疗决策，营养素水平表征可作为未来营养知情模型细化的实践起点，机器学习可补充传统回归用于高维膳食特征筛选和优先级排序。局限包括焦虑来自处方药适应症、银屑病为自报、24小时回忆误差、横断面设计不能确定时序、共病事件数少、SMOTE/SMOTENC不创造独立结局信息且可能放大小事件条件下的不稳定决策边界、置信区间宽及缺乏外部验证。

研究结论部分翻译：在这项多表征分析中，泄漏控制后的重跑在膳食表征间产生了不同但有限的预测信号。营养素水平逻辑回归模型显示出最强的留出判别（AUC-ROC 0.645），而MPED和WWEIA模型验证性能有限且不稳定。三种膳食表征中的两种选择了传统逻辑回归，未观察到机器学习相对传统多变量建模的一致性能优势。尽管如此，机器学习和传统回归在膳食表征间提供互补视角，机器学习在高维特征探索和优先级排序方面仍有价值。SHAP分析进一步将烟酸、碳水化合物摄入、β-隐黄质、脂肪相关变量、高血压、BMI和选定食物类别列为后续验证的候选特征。当前模型尚不能立即用于风险预测或治疗决策，其主要价值在于为更大前瞻性研究优先排序膳食和临床变量，其中营养素水平信息为进一步模型细化提供最有希望的起点。需要更大事件丰富队列、重复膳食评估和独立外部验证，以确定营养知情评估最终是否有助于焦虑人群中银屑病共病的早期识别和更个体化管理。