揭示血清锌水平对慢性肾脏病的影响:机器学习与SHAP值解释

《Food Science & Nutrition》:Unraveling the Impact of Serum Zinc Levels on Chronic Kidney Disease: Machine Learning and SHAP Value Interpretation

【字体: 大 中 小 】 时间:2026年08月02日 来源:Food Science & Nutrition 5.0

编辑推荐:

  锌是一种必需的微量元素,参与抗氧化防御、免疫调节和代谢稳态,但其与一般人群中慢性肾脏病(CKD)的关联仍不清楚。研究人员调查了美国成人血清锌水平与流行性CKD之间的关联,并利用机器学习方法探索了血清锌的预测相关性。研究人员对来自NHANES 2011–2016

  
锌是一种必需的微量元素,参与抗氧化防御、免疫调节和代谢稳态,但其与一般人群中慢性肾脏病(CKD)的关联仍不清楚。研究人员调查了美国成人血清锌水平与流行性CKD之间的关联,并利用机器学习方法探索了血清锌的预测相关性。研究人员对来自NHANES 2011–2016的成人进行了横断面分析。流行性CKD定义为估算肾小球滤过率(eGFR)< 60 mL/min/1.73 m2和/或尿白蛋白与肌酐比值(UACR)≥ 30 mg/g。进行了调查加权逻辑回归模型、限制立方样条分析和预设亚组分析。探索性机器学习分析采用时间分割法进行,并使用SHAP(SHapley Additive exPlanations)进行模型解释。共纳入4192名参与者,其中685人患有流行性CKD。在完全调整模型中,血清锌每增加1 μmol/L,流行性CKD的几率降低(OR = 0.93,95% CI: 0.87–0.99)。与最低四分位数相比,第二、第三和最高四分位数的完全调整OR分别为0.65、0.69和0.56(趋势p = 0.012)。观察到非线性关联(非线性p = 0.023),拐点约为12.29 μmol/L。在探索性机器学习分析中,随机森林在时间测试集中显示出最高的AUC(曲线下面积),而SHAP分析表明血清锌在预测框架内贡献了有意义的信息。较高的血清锌水平与美国成人中较低的CKD患病率相关。血清锌可能是与肾脏健康相关的相关生物标志物,尽管无法推断时间性和因果关系。
**论文解读:血清锌水平与慢性肾脏病关联的流行病学与机器学习分析**

**研究背景、问题与目的**
慢性肾脏病(CKD)是全球性的重大公共卫生挑战,因其常呈进行性发展且难以逆转,识别可干预的风险因素对于预防和早期干预至关重要。近年来,营养因素尤其是参与氧化应激、炎症和代谢调节的微量营养素在CKD研究中受到越来越多的关注。锌是一种必需的微量元素,参与超过300种酶和多种转录因子的结构、催化和调控功能,在抗氧化防御、免疫调节和细胞稳态中发挥核心作用。然而,锌缺乏在CKD患者中常见,并与炎症、营养损伤、贫血及心血管并发症相关,提示锌相关营养状况可能与肾脏健康有关。尽管已有研究探讨锌与代谢性疾病的关系,但在具有全国代表性的美国成人群体中,血清锌水平与CKD之间的关联仍不清楚。为此,本研究利用NHANES 2011–2016数据,通过调查加权回归分析评估血清锌水平与流行性CKD的关联,并进一步采用探索性机器学习方法评估血清锌在预测框架中的贡献。该论文发表在《Food Science》。

**关键技术与方法**
研究人员采用的主要技术方法包括:横断面研究设计,数据来源于美国国家健康与营养调查(NHANES)2011–2016三个连续周期(2011–2012、2013–2014、2015–2016),共纳入4192名成人;血清锌水平通过电感耦合等离子体动态反应池质谱(ICP-DRC-MS)测量;CKD定义基于单次估算肾小球滤过率(eGFR)< 60 mL/min/1.73 m2和/或尿白蛋白与肌酐比值(UACR)≥ 30 mg/g;统计分析采用调查加权逻辑回归、限制立方样条(RCS)分析及预设亚组分析;机器学习工作流包括基于Boruta算法的特征筛选、13种候选算法(逻辑回归、线性判别分析、二次判别分析、神经网络、随机森林、ranger、径向支持向量机、bagging、朴素贝叶斯、k近邻、分类回归树、C5.0、XGBoost)比较,以及基于SHAP(SHapley Additive exPlanations)的模型解释。

**研究结果**

**3.1 研究人群基本特征**
共纳入4192人,其中685例流行性CKD患者。与无CKD者相比,CKD患者年龄更大,血清锌和膳食锌摄入量更低,血清铜和体重指数(BMI)更高,女性比例更高,教育程度和贫困收入比分布更差,且更常合并糖尿病、心血管疾病、高血压、高脂血症,并更多使用血管紧张素转换酶抑制剂和利尿剂(所有p < 0.05)。

**3.2 血清锌与流行性CKD的关联**
调查加权逻辑回归显示,在完全调整模型中,血清锌每增加1 μmol/L,CKD患病几率降低7%(OR = 0.93,95% CI: 0.87–0.99,p = 0.025)。按四分位数分析,与最低四分位数(Q1)相比,Q2、Q3、Q4的完全调整OR分别为0.65(95% CI: 0.48–0.88)、0.69(95% CI: 0.50–0.95)和0.56(95% CI: 0.37–0.84),趋势检验显著(p = 0.012)。限制立方样条分析显示非线性关联(非线性p = 0.023),拐点约为12.29 μmol/L,低于该水平时血清锌升高与CKD几率显著下降相关,高于该水平后曲线趋于平缓。

**3.3 亚组分析**
亚组分析显示,血清锌与CKD的负向关联在大多数亚组中一致,年龄、性别、贫困收入比、BMI、吸烟状态、高脂血症、高血压均未观察到显著交互作用(交互p > 0.05)。但糖尿病状态存在显著交互作用(交互p = 0.020),在糖尿病患者中血清锌与CKD的负向关联更强(OR = 0.81,95% CI: 0.73–0.91),而在非糖尿病患者中不显著(OR = 0.96,95% CI: 0.89–1.04)。

**3.4 基于Boruta的特征筛选**
在训练集中,Boruta算法筛选出的特征主要涵盖人口学、营养、心脏代谢及药物相关领域,其中年龄重要性最高,膳食锌摄入和血清锌也被保留作为重要预测因子。

**3.5 机器学习模型性能比较**
在时间测试集中,随机森林模型取得了最高的判别能力(AUC = 0.7987),其次为XGBoost(AUC = 0.7935)、逻辑回归(AUC = 0.7923)和神经网络(AUC = 0.7906)。

**3.6 最佳性能模型的验证**
随机森林模型在测试集上表现出较高的特异性(0.9830)和较低的灵敏度(0.1715),加权Brier评分为0.0966,校准曲线和决策曲线分析(DCA)结果支持其预测性能。

**3.7 XGBoost模型的SHAP解释**
尽管XGBoost并非最佳模型,但被用于SHAP特征归因分析。SHAP结果显示,年龄是最重要的特征,其次为膳食锌摄入和血清锌,其他重要贡献者包括高血压、血清铜和糖尿病,表明血清锌在探索性预测框架中贡献了有意义的信息。

**讨论与结论**
讨论部分指出,在调整多种混杂因素后,较高血清锌水平与较低CKD患病率独立相关,这一关联在多种分析形式下保持稳定。既往研究结果存在异质性,可能与人群、锌生物标志物、肾脏结局定义及调整策略差异有关。可能的生物学机制包括锌参与抗氧化防御(如Nrf2信号通路)、免疫调节、内皮功能及糖脂代谢,这些通路与CKD的肾小球和肾小管损伤相关。但横断面设计无法推断时间性和因果关系,低血清锌也可能是CKD的营养或炎症后果。研究局限性包括:单次eGFR和UACR测量无法确认CKD慢性期;单次血清锌测量可能无法反映长期状态;残余混杂因素可能影响结果;机器学习分析未完全纳入调查设计要素。优势包括:全国代表性数据增强外推性;标准化实验室测量;结合传统回归与可解释机器学习方法。

**结论翻译**:总之,在这项全国代表性横断面研究中,较高的血清锌水平与美国成人中较低的CKD患病率相关。血清锌在探索性机器学习框架内也贡献了有意义的信息。这些发现表明,血清锌可能是在人群水平上与肾脏健康相关的相关生物标志物,但仍需前瞻性研究来阐明时间性,并进一步评估该关联的稳健性和更广泛的适用性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号