整合纵向混合效应模型与XGBoost的慢性病进展预测：基于模拟纵向医疗数据的可解释混合框架

《DIGITAL HEALTH》：Integrating longitudinal mixed-effects modeling and XGBoost for chronic disease progression prediction

　　

目的 准确预测慢性病进展对于改善临床决策、个性化治疗和医疗资源配置至关重要。然而，纵向医疗数据具有时间依赖性、患者特异性异质性和复杂非线性关系等特征，常限制传统预测模型的有效性。为应对这些挑战，本研究提出一种混合线性混合模型（Linear Mixed Model, LMM）–极端梯度提升（Extreme Gradient Boosting, XGBoost）框架，用于利用模拟纵向医疗数据预测慢性病进展。方法 通过Monte Carlo模拟生成大规模合成数据集，包含10,000例患者在慢速、中速和快速疾病进展情景下随访10次，共产生300,000条纵向观测。纳入完全随机缺失（Missing Completely at Random, MCAR）和随机缺失（Missing at Random, MAR）机制，并采用链式方程多重插补（Multiple Imputation by Chained Equations, MICE）处理。所提框架整合LMM捕捉纵向和患者特异性效应的能力与XGBoost的非线性预测能力。其性能与广义估计方程（Generalized Estimating Equations, GEE）、随机森林（Random Forest, RF）、轻量梯度提升机（Light Gradient Boosting Machine, LightGBM）和XGBoost模型进行比较。结果 所提混合LMM–XGBoost框架在所有竞争模型中取得最佳预测性能，均方根误差（Root Mean Squared Error, RMSE）为2.84，平均绝对误差（Mean Absolute Error, MAE）为2.00，决定系数（coefficient of determination, R²）为0.980。对于疾病分期分类，模型准确率为0.93，精确率为0.92，召回率为0.92，F1分数为0.92，曲线下面积（Area Under the Curve, AUC）为0.981。SHapley Additive exPlanations（SHAP）分析识别既往疾病严重程度（DS_Lag）、体质指数（Body Mass Index, BMI）、血糖水平（glucose level, GLU）和血压（blood pressure, BP）为最具影响力的预测因子。Monte Carlo验证（B = 1000）确认模型稳健性，平均RMSE为2.85（95%置信区间（confidence interval, CI）：2.67–3.03）。结论 研究结果表明，整合纵向统计建模、机器学习和可解释人工智能（Explainable Artificial Intelligence, XAI）对慢性病进展预测具有有效性。

研究背景与问题：慢性病包括心血管疾病、糖尿病、慢性肾脏病及其他长期健康问题，是全球死亡、残疾和医疗支出的重要原因。数字健康技术使电子健康记录（Electronic Health Records, EHR）、实验室信息系统、可穿戴设备、医学影像库和医保数据库等产生大量纵向临床信息。纵向数据具有时间依赖、个体内相关和患者特异性异质性，LMM和GEE可建模重复测量和个体随机效应，但常依赖线性、分布结构和预设关系假设，预测灵活性受限；RF、XGBoost和LightGBM等集成学习可捕捉非线性和交互，但许多模型未显式建模纵向和患者特异结构；深度学习与图模型虽可建模复杂时间或关系结构，但解释性、可重复性和计算要求存在挑战；XAI和SHAP在医疗预测中日益重要；纵向统计建模与XGBoost等梯度提升整合用于慢性病进展预测的研究仍有限。为此，研究人员提出混合LMM–XGBoost框架，在Monte Carlo生成的慢速、中速和快速进展情景及MCAR、MAR缺失和MICE插补条件下，与GEE、RF、LightGBM和XGBoost比较，并用SHAP解释、用1,000次Monte Carlo评估稳健性。研究结论表明，在既定模拟条件下，该混合框架在回归和分类性能上最佳，说明纵向统计建模、机器学习和XAI整合对慢性病进展预测具有方法学有效性；但作者强调该结果不是临床有效性或真实世界优越性的证据。

关键技术方法（≤250字）：样本来源为Monte Carlo生成的合成纵向数据，非真实EHR或临床标本；计算研究在IUBAT完成。每情景10,000例患者、10次随访、100,000条观测，三种情景共300,000条观测；按慢速（ρ=0.60）、中速（ρ=0.80）、快速（ρ=0.95）进展生成。纳入MCAR（5%、10%、20%）和MAR，采用MICE插补。按患者级70%/15%/15%划分训练、验证和测试集以防信息泄漏。LMM拟合纵向轨迹和患者随机效应，XGBoost学习残差；与GEE、RF、LightGBM、XGBoost比较。评价RMSE、MAE、R²及分类准确率、精确率、召回率、F1分数、AUC。SHAP解释，Bootstrap估计置信区间，1,000次Monte Carlo验证。

研究结果：3.1 模拟纵向数据集的描述性统计（Descriptive Statistics of the Simulated Longitudinal Dataset）：通过300,000条患者-访视观测描述，平均年龄54.99岁（SD=9.96），平均BMI 26.99 kg/m²（SD=4.06），BP均值129.89 mmHg（SD=15.59），CHOL均值199.99 mg/dL（SD=30.62），GLU均值109.93 mg/dL（SD=20.70），疾病严重度均值34.99（SD=19.50）；疾病分期为轻度22.60%、中度45.35%、重度20.64%、危重11.41%。缺失数据分析显示，MCAR 5%、10%、20%插补前RMSE分别为3.11、3.38、3.84，MICE插补后降至2.95、3.01、3.16；MAR插补前3.76降至3.08，说明MICE改善数据质量。3.2 纵向统计模型估计结果（Estimation Results of Longitudinal Statistical Models）：通过LMM和GEE估计，DS_Lag与当前疾病严重度呈最强正相关且高度显著（p<0.001），BMI、BP、CHOL、GLU亦显著（p<0.001）；LMM随机效应方差为0.428，提示患者水平异质性明显。3.3 机器学习模型比较性能（Comparative Performance of Machine Learning Models）：通过回归和分类比较，混合LMM–XGBoost取得最低RMSE 2.84、最低MAE 2.00和最高R²=0.980；分类准确率0.93、精确率0.92、召回率0.92、F1分数0.92、AUC 0.981；XGBoost次之（RMSE=2.92、MAE=2.06、R²=0.978；准确率0.91、AUC=0.975），LMM和GEE的RMSE超过5.9、R²低于0.91。情景分析中，慢速进展RMSE=2.65、MAE=1.84、R²=0.982，中速RMSE=2.87、MAE=2.01、R²=0.980，快速RMSE=3.02、MAE=2.15、R²=0.978，说明混合框架在不同进展条件下保持较好解释力。3.4 混合框架消融分析（Ablation Analysis of the Hybrid Framework）：通过组件消融，LMM-only的RMSE为5.94，XGBoost-only为2.92，Hybrid为2.84；相对LMM降低52.19%，相对XGBoost额外降低2.74%，且分类指标最佳，说明纵向患者特异信息为XGBoost带来额外预测收益。3.5 特征重要性与可解释性分析（Feature Importance and Explainability Analysis）：通过SHAP分析，平均SHAP值排序为DS_Lag 0.352、BMI 0.194、GLU 0.173、BP 0.145、Age 0.118、CHOL 0.093、Visit 0.064、Sex 0.032；SHAP汇总图和依赖图显示年龄贡献呈非线性，但作者强调这些为模型预测关联而非因果关系。3.6 模型性能统计验证（Statistical Validation of Model Performance）：通过Shapiro–Wilk检验，残差非正态（W=0.94，p<0.001）；Friedman检验显示模型间差异显著（χ²=28.60，p<0.001）；Nemenyi事后比较（CD=1.32，p<0.05）确认混合模型显著最佳；Wilcoxon符号秩检验亦支持模型差异显著（Z=?4.82，p<0.001）。3.7 Monte Carlo稳健性分析（Monte Carlo Robustness Analysis）：通过1,000次Monte Carlo重复，混合LMM–XGBoost平均RMSE为2.85，Bootstrap SD为0.09，95% CI为2.67–3.03；RF为3.04（SD=0.14，95% CI 2.77–3.31），LightGBM为2.97（SD=0.12，95% CI 2.73–3.21），XGBoost为2.93（SD=0.11，95% CI 2.71–3.15），说明混合框架在模拟条件下具有较高稳定性。

讨论部分总结：作者指出，LMM和GEE确认既往疾病严重程度是未来疾病严重度的重要预测因子，LMM随机效应提示患者异质性；混合框架在模拟条件下优于单一模型，说明纵向依赖建模与非线性残差学习具有互补性；SHAP识别DS_Lag、BMI、GLU、BP和年龄等为重要预测因子，提高模型透明度，但其反映模拟数据生成过程，属预测关联而非因果或临床验证风险因素；Monte Carlo验证显示模型在指定模拟条件下稳定，但不等于对真实临床变异稳健。讨论列出优势：提出混合LMM–XGBoost框架、采用300,000条观测的大规模纵向模拟、纳入MCAR/MAR与MICE、使用SHAP增强可解释性。局限包括：仅使用Monte Carlo合成数据，外部效度有限；未探索LSTM、图神经网络等先进架构；未基准计算效率；疾病分期阈值为模拟操作边界而非临床验证切点；真实EHR可能存在不规则随访、患者异质轨迹和更复杂缺失机制。启示包括加强纵向数据基础设施、在真实EHR验证后考虑临床决策支持、用SHAP辅助解释但不应视为因果证据，并重视数据质量、互操作性和缺失数据管理。未来研究应使用真实EHR和临床注册数据验证，评估不规则观测间隔、异质性轨迹、复杂缺失、治疗变化、多病共存和测量误差，开展跨机构跨人群验证，纳入基因组、生活方式、可穿戴传感器和社会经济因素，并整合LSTM、Transformer、图神经网络，报告运行时间、内存和可扩展性，探索自适应实时预测和因果机器学习。

研究结论（翻译）：本研究提出一种LMM–XGBoost框架，用于从纵向医疗数据预测慢性病进展。该框架整合纵向统计建模与非线性机器学习，并通过SHAP分析保持可解释性。研究人员在慢速、中速和快速疾病进展情景下构建包含300,000条纵向观测的大规模Monte Carlo模拟，纳入缺失数据机制、多重插补策略和比较机器学习模型。所提混合LMM–XGBoost框架取得优越预测性能，RMSE为2.84、MAE为2.00、R²为0.980、分类准确率为0.93、AUC为0.981。变量重要性和SHAP分析识别历史疾病严重程度、GLU、BMI、BP和年龄为疾病进展的重要预测因子。广泛的Monte Carlo验证表明该框架在指定模拟条件下具有稳定性和稳健性。总体而言，研究结果表明整合纵向统计建模与机器学习可为慢性病进展预测提供准确且可解释的方法。然而，由于本研究基于模拟纵向数据，研究结果不应被解释为临床有效性或真实世界可推广性的直接证据。未来研究应使用大规模真实EHR数据集验证所提框架，并研究其在不同临床环境和患者群体中的适用性。