《Frontiers in Neurology》：Explainable XGBoost model and nomogram for risk factor identification and risk prediction in cerebral small vessel disease: a machine learning-based retrospective cohort study
编辑推荐：
背景：脑小血管疾病（CSVD）是一种常见且具有临床意义的血管疾病，常导致认知障碍、痴呆和不良总体预后。由于其复杂的血流动力学特征和多因素病理生理学，早期识别CSVD高危个体仍是一个临床挑战。本研究旨在开发并验证一个可解释的机器学习（ML）模型用于预测CSVD的
背景：脑小血管疾病（CSVD）是一种常见且具有临床意义的血管疾病，常导致认知障碍、痴呆和不良总体预后。由于其复杂的血流动力学特征和多因素病理生理学，早期识别CSVD高危个体仍是一个临床挑战。本研究旨在开发并验证一个可解释的机器学习（ML）模型用于预测CSVD的发生。方法：研究人员回顾性纳入了2019年9月至2024年12月期间在新疆医科大学第五附属医院治疗的1,640例成年患者。评估了23个候选变量（人口统计学、生命体征、生物标志物、合并症）。采用最小绝对收缩与选择算子（LASSO）回归进行特征选择，随后在多变量逻辑回归中进行逐步向后消除。比较了六种监督式ML算法（决策树（DT）、K近邻（KNN）、逻辑回归（LR）、轻量级梯度提升机（LightGBM）、极限梯度提升（XGBoost）、支持向量机（SVM））。使用受试者工作特征（ROC）曲线、校准图和决策曲线分析（DCA）评估性能。最优模型通过SHapley Additive exPlanations（SHAP）进行解释，并构建了床旁临床列线图。结果：确定了10个独立预测因子：血糖、高血压病史、收缩压、年龄、甘油三酯、卒中病史、胱抑素C、C反应蛋白、同型半胱氨酸和体重指数。在所有模型中，XGBoost表现最佳，训练队列的曲线下面积（AUC）为0.968，验证队列的AUC为0.938。校准图和DCA确认了其临床效用。衍生的列线图显示出强大的预后判别能力（p < 0.0001）。XGBoost模型达到了88.0%的准确率、80.9%的灵敏度、93.8%的特异度和0.86的F1分数，相比逻辑回归AUC提高了5.4个百分点。十折交叉验证确认了该排序，平均AUC为0.934 ± 0.016。结论：研究人员验证了一个基于XGBoost的可解释ML模型，该模型有助于CSVD的早期风险分层和靶向干预。由于该模型仅依赖于常规收集的低成本变量和开源软件，因此易于推广到资源有限的环境中；未来的工作将侧重于前瞻性、多中心外部验证以及将列线图嵌入电子健康记录决策支持系统。
脑小血管疾病（cerebral small vessel disease, CSVD）是一种常见的脑血管疾病，其病理过程涉及颅内小血管及微血管，导致认知障碍、痴呆和不良预后。随着人口老龄化，CSVD的发病率显著上升，但因其血流动力学复杂且病理生理机制多因素，早期识别高危个体仍面临挑战。传统统计方法在处理高维临床数据时存在预测性能有限的问题，而机器学习（machine learning, ML）技术能捕捉非线性关系，但复杂模型的可解释性不足。为此，研究人员开展了一项回顾性队列研究，旨在开发并验证一个可解释的ML模型，用于CSVD的风险预测和风险因素识别，该研究发表在《Frontiers in Neurology》。
研究人员从新疆医科大学第五附属医院回顾性纳入了2019年9月至2024年12月期间的1,640例成年患者，根据脑磁共振成像（MRI）和《中国脑小血管病诊治共识（2020）》诊断标准纳入CSVD患者。主要技术方法包括：采用最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征筛选，结合多变量逻辑回归的逐步向后消除法确定独立预测因子；基于10个保留变量构建六种监督式ML算法（决策树（DT）、K近邻（KNN）、逻辑回归（LR）、轻量级梯度提升机（LightGBM）、极限梯度提升（XGBoost）、支持向量机（SVM）），通过ROC曲线、校准图和决策曲线分析（decision curve analysis, DCA）评估性能，并使用SHapley Additive exPlanations（SHAP）解释最优模型，最终构建列线图实现床旁应用。
研究结果部分如下：
- **Feature selection using LASSO regression**：通过LASSO回归（λ
0.1se = 0.020）筛选出14个非零系数变量，包括CRP、年龄、BMI、收缩压、血糖、HbA1c、胱抑素C、HCY、TG、TC、卒中、高血压、糖尿病和吸烟。
- **Multivariate logistic regression analysis**：结合逐步逻辑回归（AIC准则）最终保留14个因子，其中卒中（OR=6.323）、高血压（OR=5.346）和胱抑素C（OR=4.143）与CSVD显著相关，所有变量方差膨胀因子（VIF）均<3.2，无多重共线性。
- **Optimization of the prediction model using recursive feature elimination**：采用随机森林结合五折交叉验证递归特征消除，确定10个最优预测因子：血糖、高血压病史、收缩压、年龄、甘油三酯、卒中病史、胱抑素C、C反应蛋白、同型半胱氨酸和体重指数。
- **Comparative performance of machine learning Models**：比较六种ML模型，XGBoost在训练和验证队列中均表现最优（训练AUC 0.968，验证AUC 0.938），校准曲线和Brier分数最低，DCA显示净收益最高，准确率88.0%（灵敏度80.9%，特异度93.8%，F1分数0.86），十折交叉验证平均AUC 0.934±0.016，且计算成本极低（训练时间约30 ms，内存<0.05 MB）。
- **Model interpretability and SHAP-based explanation of the XGBoost model**：通过SHAP分析，血糖、高血压、同型半胱氨酸、收缩压、年龄和甘油三酯对模型输出贡献最大，SHAP依赖图显示非线性关系，个体力图和瀑布图揭示高风险病例的逐步特征累积效应。
- **Nomogram construction and comprehensive evaluation**：基于10个预测因子构建列线图，训练和验证队列的AUC均较高，DCA显示净收益好，nomogram得分（nomoScore）分层分析显示风险逐步升高（Q2 vs Q1: OR=2.78, Q3 vs Q1: OR=19.31, Q4 vs Q1: OR=91.47），验证了其判别和预后价值。
讨论部分总结：本研究识别出10个独立预测因子，其中血糖是最重要的因素，通过内皮功能障碍、血脑屏障破坏等机制促进CSVD发展；高血压通过微血管重塑和自身调节障碍发挥作用；同型半胱氨酸直接损伤内皮细胞；年龄是基础决定因素；甘油三酯与炎症和血脑屏障通透性相关；卒中史、胱抑素C、CRP和BMI也显著相关。与现有研究相比，本模型仅使用常规临床变量即达到与影像学模型相当的预测性能（验证AUC 0.938），且具有完全可解释性和床旁部署能力。研究局限性包括单中心回顾性设计、未纳入影像学标志物、缺乏纵向随访，未来需进行前瞻性多中心外部验证。
研究结论：研究人员成功开发并验证了一个基于XGBoost的可解释预测模型，通过整合血糖、高血压、同型半胱氨酸、收缩压、年龄、甘油三酯等十个常规变量，该模型能准确预测CSVD患者的不良结局。SHAP分析和列线图增强了模型透明度和临床可用性，为早期风险分层和个体化管理提供了有意义的工具。未来研究应聚焦于真实世界验证、动态预后预测以及与治疗算法的整合以优化高危人群的护理。
