《Frontiers in Neurology》：Prediction of benign paroxysmal positional vertigo recurrence in postmenopausal women: a machine learning-based clinical study
编辑推荐：
背景：良性阵发性位置性眩晕（benign paroxysmal positional vertigo, BPPV）是一种常见的周围性前庭疾病，复发率高，显著损害患者的生活质量。多项研究已证实，绝经后女性因内分泌紊乱及其他生理特征，是BPPV发病和复发的高危人群
背景：良性阵发性位置性眩晕（benign paroxysmal positional vertigo, BPPV）是一种常见的周围性前庭疾病，复发率高，显著损害患者的生活质量。多项研究已证实，绝经后女性因内分泌紊乱及其他生理特征，是BPPV发病和复发的高危人群。然而，目前缺乏高效的复发预测模型，传统评估方法效能有限，难以满足个体化干预的需求。本研究旨在构建并验证预测绝经后女性BPPV复发的机器学习模型，识别关键危险因素，为临床实践中高危人群的早期识别提供依据。
方法：研究人员回顾性分析了2023年1月至2025年12月期间四川省三家医院确诊并成功治疗的BPPV患者数据。患者按7:3比例分为训练集和验证集。使用LASSO回归和Boruta算法筛选特征。构建了六种机器学习模型：Logistic回归（Logistic Regression, LR）、极端梯度提升（eXtreme Gradient Boosting, XGBoost）、支持向量机（Support Vector Machine, SVM）、多层感知器（Multilayer Perceptron, MLP）、梯度提升机（Gradient Boosting Machine, GBM）和元集成（Meta-Ensemble）方法。比较模型预测性能，并通过SHapley加法解释（SHapley Additive exPlanations, SHAP）分析评估模型可解释性。
结果：通过双重算法筛选，LASSO和Boruta确定了绝经后女性BPPV复发的四个模型选择预测因子：骨质疏松、血清钙、维生素D和雌二醇。在评估的六种机器学习算法中，Meta-Ensemble模型的AUC点估计值最高，为0.857（95%置信区间[confidence interval, CI]，0.779–0.928），实现了协调的整体性能。随后的SHAP分析阐明，血清维生素D、钙和雌二醇水平降低，加上骨质疏松的存在，是驱动高复发风险预测的最关键因素。
结论：Meta-Ensemble模型可有效预测绝经后女性BPPV复发风险。骨质疏松、血清钙、维生素D和雌二醇四项指标为临床早期识别复发高危人群提供客观证据，有助于制定个体化随访策略和干预方案。
一、研究背景与研究目的
良性阵发性位置性眩晕（benign paroxysmal positional vertigo, BPPV）是最常见的周围性前庭疾病，终生患病率约为10%。尽管耳石复位操作（canalith repositioning procedure）能有效控制急性症状，但复发仍是临床面临的主要挑战：1年复发率为15%～30%，10年累积复发率高达50%。反复发作显著增加患者跌倒、骨折及焦虑抑郁的风险，并造成医疗资源的重复消耗。绝经后女性是BPPV复发风险最高的人群，发病率约为同龄男性的2～3倍，发病高峰年龄（50～70岁）与自然绝经年龄范围高度重叠。因此，针对这一特定人群建立复发风险预测工具对改善临床管理具有重要的实际意义。
目前已有的研究或针对普通人群建立BPPV复发预测模型，或采用传统Logistic回归对绝经后女性进行预测，但仍缺乏利用机器学习捕捉该亚群中代谢与激素因素复杂非线性交互的模型。危险因素筛选多依赖单因素或多因素Logistic回归，其线性框架难以刻画BPPV病理生理中钙代谢、激素调节与骨稳态之间的非线性交互；预测模型也多局限于传统回归方法，缺乏多种机器学习模型的系统比较，特别是集成学习与元集成策略的应用。为此，研究人员聚焦绝经后女性BPPV复发，采用LASSO回归联合Boruta算法进行特征筛选，系统比较Logistic回归、SVM、MLP、GBM、XGBoost和Meta-Ensemble六种机器学习模型的预测性能，并利用SHAP分析实现模型解释，旨在为临床提供兼具预测准确性与可解释性的风险评估工具，辅助耳石复位后高危患者的早期识别和针对性二级预防。该论文发表于《Frontiers in Neurology》。
二、主要技术方法
研究人员回顾性纳入2023年1月至2025年12月期间成都市第六人民医院、川北医学院附属医院和四川八一康复中心收治的412例BPPV确诊且成功复位治疗的患者，按7:3比例随机划分为训练集（n=289）和验证集（n=123）。运用LASSO回归（10折交叉验证确定最优惩罚系数λ）与Boruta算法（基于随机森林重要性评估）进行双重特征筛选，取两者交集作为最终预测特征；构建LR、XGBoost、SVM、MLP、GBM及Meta-Ensemble六种模型，其中Meta-Ensemble采用软投票策略，将AUC排名前三的基础学习器（GBM、XGBoost、SVM）的预测概率取平均作为最终输出。采用5折交叉验证进行超参数调优，以受试者工作特征曲线下面积（area under the curve, AUC）为主要评价指标，并通过校准曲线、Brier评分、决策曲线分析和SHAP分析评估模型性能与可解释性。
三、研究结果
3.1 研究队列特征：412例患者按7:3比例随机分为训练集（289例）和验证集（123例）。训练集中，复发组与非复发组在BMI、偏头痛、骨质疏松、HADS-A评分及血清钙、维生素D、雌二醇水平方面差异具有统计学意义（p<0.05）。
3.2 机器学习特征选择：LASSO回归从20个变量中筛选出15个潜在预测变量，包括年龄、居住地、颈椎病、VAS评分、高脂血症、PSQI、梅尼埃病、HADS-D、BMI、偏头痛、HADS-A、骨质疏松、维生素D、血清钙和雌二醇；Boruta算法进一步识别出4个模型选择预测因子：骨质疏松、血清钙、维生素D和雌二醇。Spearman相关分析显示这四个预测变量两两之间相关系数较低（|r|≤0.16），提示多重共线性有限，适合共同纳入机器学习模型。
3.3 模型构建与验证：六种模型在验证集上均表现出良好的判别能力（AUC>0.84）。Meta-Ensemble模型获得最高AUC值0.857（95%CI：0.779–0.928）。DeLong检验显示各模型两两之间差异均无统计学意义（p>0.05），判别能力相当，但Meta-Ensemble的AUC绝对值最高。在阈值依赖指标方面，Meta-Ensemble实现了均衡的整体性能（灵敏度=0.790，特异度=0.800，F1=0.706）。校准曲线显示预测概率与实际结果吻合良好，决策曲线分析确认其在较宽阈值概率范围内具有临床效用。
3.4 最优模型评估：Meta-Ensemble模型在验证集上AUC为0.857（95%CI：0.785–0.930），PR-AUC为0.719；校准曲线Brier评分为0.133，紧贴对角线参考线；决策曲线分析显示在阈值概率约0.05～0.85范围内产生持续正向净收益，优于"不干预"策略，在特定区间接近"全干预"策略，证实其临床实用性。
3.5 最优模型解释：SHAP特征重要性条形图显示，雌二醇是影响模型预测的最关键特征（平均绝对SHAP值约0.14），其次为维生素D（约0.12）和血清钙（约0.10），骨质疏松贡献最小（约0.02）。蜂群图进一步显示，低维生素D、低血清钙、低雌二醇及合并骨质疏松均对应正向SHAP值，推动模型向高复发风险预测方向发展；反之则对应负向SHAP值。以样本345为例（预测复发概率97%），低雌二醇（+0.308）、低维生素D（+0.216）、低血清钙（+0.109）及骨质疏松（+0.015）共同将预测概率推高至0.97。基于该模型，研究人员还开发了网页版计算器，输入骨质疏松状态、血清钙、维生素D和雌二醇四项变量可自动输出复发概率，并按预设阈值进行风险分层：概率≥0.8为高风险，0.5～0.79为中风险，<0.5为低风险。
四、讨论与结论
BPPV的病理机制与耳石脱落及半规管内淋巴流体动力学紊乱有关，进而破坏前庭平衡功能并诱发眩晕。绝经后女性因雌激素水平降低易发生骨代谢异常和耳石器官退行性变，成为BPPV复发的高危人群。本研究的核心发现包括：第一，LASSO与Boruta双重算法共同筛选出骨质疏松、血清钙、25(OH)D和雌二醇四个模型选择预测因子；第二，Meta-Ensemble模型AUC为0.857，表现出最高的判别能力。研究人员承认其AUC与XGBoost（0.852）几乎相同且DeLong检验无显著差异，但Meta-Ensemble兼顾了高灵敏度与
