《Nutrients》：Estimation of Cardiometabolic Risk in Turkish Adolescents Using Different Anthropometric Techniques: Development and Temporal Validation of a Machine Learning Model
编辑推荐：
背景：尽管肥胖是公认的心血管代谢风险决定因素，但关于最合适的人体测量技术仍存在争议。本研究评估了不同人体测量技术在预测土耳其青少年心血管代谢风险中的表现，并旨在开发并时间验证一个基于机器学习（machine learning）的预测模型，报告过程遵循TRIPO
背景：尽管肥胖是公认的心血管代谢风险决定因素，但关于最合适的人体测量技术仍存在争议。本研究评估了不同人体测量技术在预测土耳其青少年心血管代谢风险中的表现，并旨在开发并时间验证一个基于机器学习（machine learning）的预测模型，报告过程遵循TRIPOD声明。方法：研究纳入了2010年（n = 1357）和2017年（n = 561）土耳其营养与健康调查中的青少年。评估了人体测量和生化参数。计算了BMI z评分（BMI z-score）、腰臀比（waist-to-hip ratio）、腰高比（waist-to-height ratio）、三质量指数（triponderal mass index, TMI）、内脏脂肪指数（visceral adiposity index, VAI）和脂质蓄积产物（lipid accumulation product, LAP）。结果：在ROC分析中，VAI表现出最高的区分能力（AUC = 0.747，p < 0.001），其次是LAP（AUC = 0.670）。在机器学习中，XGBoost达到了最高的训练区分能力（ROC–AUC = 0.879），而逻辑回归（logistic regression）最为稳定，过拟合最小（ΔAUC = 0.008）。逻辑回归模型校准良好（Brier评分 = 0.107；校准斜率开发集为1.00，外部验证集为1.03）。外部时间验证显示各模型区分能力相当（AUC = 0.742–0.757），逻辑回归的一致性最高。该模型具有较高的阴性预测值（negative predictive value, NPV = 91.7%），因此更适合用于排除而非确认心血管代谢风险；阳性结果需要进一步确认性检测（阳性预测值positive predictive value, PPV = 35.4%）。推导出了一个简单的基于逻辑回归的公式。结论：机器学习方法，连同开发的模型和简化公式，可能成为评估青少年心血管代谢风险的有用工具，并支持分步筛查策略，但需进行重新校准和前瞻性验证。
以下是对论文《Estimation of Cardiometabolic Risk in Turkish Adolescents Using Different Anthropometric Techniques: Development and Temporal Validation of a Machine Learning Model》的解读，该论文发表在《Nutrients》期刊上。
**研究背景与问题**
青少年心血管代谢风险（cardiometabolic risk, CMR）是腹部肥胖、血脂异常、糖代谢紊乱和高血压共存的代谢状态，其长期后果对个体和社会构成公共健康威胁。尽管肥胖被认为是CMR的重要风险因素，但筛查青少年肥胖及CMR的最优人体测量技术仍存在争议。传统上，体重指数（body mass index, BMI）及其年龄和性别标准化的z评分被广泛使用，但BMI在青少年中的有效性受到质疑。替代指标如三质量指数（triponderal mass index, TMI）、腰臀比、腰高比以及包含生化参数的指标如内脏脂肪指数（visceral adiposity index, VAI）和脂质蓄积产物（lipid accumulation product, LAP）被提出，但其在土耳其全国代表性青少年人群中的预测性能尚缺乏证据。因此，本研究旨在评估不同人体测量技术对土耳其青少年CMR的预测能力，并开发及时间验证一个机器学习预测模型，以支持风险分层和分步筛查策略。
**研究内容与主要结论**
研究人员利用土耳其营养与健康调查（Türkiye Nutrition and Health Survey, TNHS）2010年（n=1357）和2017年（n=561）的数据，纳入10-19岁青少年，评估了多项人体测量和生化指标。通过ROC分析比较各指标区分CMR（定义为至少2项生化参数异常）的能力，并采用逻辑回归、随机森林和XGBoost三种算法构建预测模型，在2010年数据上训练，在2017年数据上进行外部时间验证。主要结论如下：VAI在单个指标中区分能力最高（AUC=0.747），但敏感性分析表明部分优势源于其与结局（含血脂成分）的数学耦合。逻辑回归模型在训练和验证中表现最稳定，过拟合最小（ΔAUC=0.008），外部验证AUC达0.757，且校准良好。模型具有高阴性预测值（NPV=91.7%），更适合用于排除低风险青少年，而阳性结果需进一步确认（PPV=35.4%）。最终推导出一个基于逻辑回归的简单公式。该研究的意义在于：为土耳其青少年提供了基于全国代表性数据的CMR预测工具，并支持采用分步筛查策略：先以非侵入性人体测量指标进行初筛，再以包含实验室指标的模型进行二级评估。
**主要关键技术方法**
研究使用了以下关键技术方法（忽略具体试剂和培养步骤，注明样本来源）：
1. **样本队列来源**：TNHS 2010年数据（n=1357，年龄10-19岁）用于模型开发，TNHS 2017年数据（n=561，年龄16-19岁）用于外部时间验证，均为全国代表性横断面调查。
2. **ROC曲线分析**：评估各人体测量指标（BMI z评分、腰臀比、腰高比、TMI、VAI、LAP）区分CMR的AUC、灵敏度、特异度等，通过DeLong检验比较AUC差异。
3. **机器学习算法**：分别采用逻辑回归、随机森林（500棵树，降采样处理类别不平衡，网格搜索调优超参数）和XGBoost（贝叶斯优化，L1/L2正则化）开发预测模型，使用10折交叉验证（3次重复）评估性能。
4. **模型性能评估**：使用ROC-AUC、PR-AUC、Brier评分、校准斜率和截距、决策曲线分析等指标；SHAP分析用于解释XGBoost模型的变量贡献。
5. **外部时间验证**：将2010年训练模型直接应用于2017年数据，保持最优阈值不变，计算内部-外部AUC差异（泛化差距）评估可推广性。
**研究结果**
**3.1 研究样本描述**
在TNHS 2010中，青少年CMR患病率为16.0%（n=217/1357），且随年龄增长显著增加（线性趋势p<0.05）。最常见异常参数为LDL-C（26.5%）和HDL-C（22.3%）。VAI显示最高区分能力（AUC=0.747），LAP次之（AUC=0.670），传统指标（BMI z评分、腰高比、TMI）AUC约0.62，腰臀比最低（AUC=0.542）。VAI对异常甘油三酯（AUC=0.976）和异常HDL-C（AUC=0.763）区分能力突出。
**3.2 机器学习**
逻辑回归模型假设检验通过（最大VIF=8.05，Box-Tidwell p>0.05，EPP=43.4）。仅VAI与CMR显著相关（OR=3.10，p<0.001），模型AUC=0.734（交叉验证），Brier评分=0.107，最优阈值（Youden指数）为0.211，灵敏度54.4%，特异度87.6%。
**3.3 随机森林和XGBoost模型开发过程**
随机森林默认模型训练AUC=1.00但交叉验证AUC=0.715，存在严重过拟合。降采样后CV AUC=0.728，但未超越逻辑回归。XGBoost经上采样后CV AUC=0.735，与逻辑回归相当。变量重要性分析一致显示VAI为最主导预测因子，LAP次之，其他指标贡献微小。
**3.4 最终模型配置**
基于变量重要性分析，TMI和腰臀比被剔除，年龄保留，性别排除（因VAI和LAP已分性别）。最终逻辑回归模型包含VAI、年龄、BMI z评分、LAP、腰高比，但除VAI外其他指标未达统计显著性，保留以维护模型稳定性和临床可解释性。逻辑回归过拟合最小（ΔAUC=0.01），XGBoost经正则化后ΔAUC降至0.06。
**3.5 时间外部验证**
在2017年数据（n=561，CMR患病率7.5%）上，所有模型AUC在0.742-0.757之间，逻辑回归AUC最高（0.757）且泛化差距最小。校准分析显示，开发集校准斜率1.00，外部集校准斜率1.03，但截距为-1.28，表明因患病率差异存在系统性高估，可通过简单截距校正解决。决策曲线分析显示，在开发集中模型在0.10-0.30阈值范围内提供正向净获益。SHAP分析证实VAI为最主导预测因子，均值|SHAP|=0.661，其次为年龄（26.9%）、BMI z评分（17.5%）、LAP（12.8%）、腰高比（8.3%），且VAI在约1.63处存在明确阈值效应。基于逻辑回归的CMR概率公式为：logit(P) = ?2.942 + 1.193×VAI + 0.195×年龄 + 0.151×BMI z评分 ? 0.004×LAP ? 0.880×腰高比。
**讨论与结论总结**
讨论部分指出，VAI的较高区分能力部分源于其与结局的数学耦合（incorporation bias），敏感性分析证实当结局限制为非脂质参数时VAI的AUC大幅下降。逻辑回归在外部验证中表现最佳且最稳定，与复杂机器学习方法无显著差异（DeLong p>0.05），支持节俭原则。模型在低患病率人群中高NPV适用于排除风险，而低PPV提示阳性结果需二阶确认。研究局限性包括横断面设计、CMR定义的主观性、未纳入关键混杂因素（如体力活动、饮食质量、青春期状态）、未考虑复杂调查设计权重、缺失数据可能引入选择偏倚，以及训练和验证数据集年龄结构差异限制直接可比性。
**研究结论**（翻译自原文Conclusions部分）：
在所评估的指标中，VAI对土耳其青少年心血管代谢风险的区分能力最高，尽管敏感性分析表明部分优势源于其共享的脂质成分而非独立预测价值。推导出的逻辑回归公式将人体测量和脂质信息整合为单一估计值，具有较高的阴性预测值，因此更适合用于排除导向的风险分层而非确认决策；阳性结果需要进行更全面的心血管代谢评估而非解释为诊断。由于VAI依赖实验室测量，该模型最适合作为继简单非侵入性人体测量筛查之后的二级工具。在临床使用前，应针对目标人群对模型进行重新校准，并在不同种族队列中进行前瞻性验证，同时评估其成本效益。
