基于可解释的机器学习方法，分析常规血液生物标志物及其衍生指标在预测颈动脉狭窄患者冠心病中的应用

《BMC Cardiovascular Disorders》：Interpretable machine learning analysis of routine blood biomarkers and derived indicators for predicting coronary heart disease in patients with carotid stenosis

　　

摘要

背景

冠心病与颈动脉狭窄具有相似的病理机制，如慢性炎症、代谢紊乱、氧化应激以及免疫失衡。这两种疾病常常同时存在。本研究旨在构建并验证一种有效的机器学习模型，该模型利用常规血液生物标志物来预测患有颈动脉狭窄患者的冠心病风险。

方法

我们回顾性收集了2019年1月至2024年12月间被诊断为颈动脉狭窄的723名患者的临床数据，包括人口统计学特征、血液学和生化实验室参数以及由此得出的综合指标。我们使用了六种特征选择方法和11种机器学习算法来构建预测模型，并系统地比较了它们的性能。为了解释所建立的预测模型，我们采用了SHapley加性解释方法来可视化并阐明风险预测框架。

结果

通过六种特征选择方法的交叉分析，我们筛选出了与冠心病相关的九个潜在预测因子，并用它们构建了一个预测模型。交叉验证结果显示，基于随机森林算法的预测模型在所有评估的算法中表现最佳（AUC=0.800；灵敏度=0.729；特异性=0.792；F1值=0.733）。随机森林的SHAP图显示，估算残余胆固醇、空腹血浆葡萄糖以及单核细胞与淋巴细胞比率是预测冠心病的三个最重要特征。在不同程度的颈动脉狭窄情况下，这些关键生物标志物的SHAP值存在显著差异。

结论

随机森林模型在预测患有颈动脉狭窄的患者的冠心病方面具有最佳的预测性能。升高的代谢和免疫炎症标志物显著提升了该模型的预测能力。有必要进行前瞻性多中心验证，以确认其在不同人群中的普遍适用性。