《Frontiers in Endocrinology》：Interpretable machine learning for multiclass trajectory prediction in cardiovascular-kidney-metabolic syndrome stage: development and external validation
编辑推荐：
背景：心血管-肾脏-代谢（CKM）综合征带来巨大全球负担，但多数研究将分期变化简化为二分类结局，无法区分具有临床意义的轨迹。本研究开发并在外部验证了用于预测CKM分期轨迹的多分类机器学习框架。方法：使用2971名基线CKM分期0–3成人的纵向队列进行开发，轨迹
背景：心血管-肾脏-代谢（CKM）综合征带来巨大全球负担，但多数研究将分期变化简化为二分类结局，无法区分具有临床意义的轨迹。本研究开发并在外部验证了用于预测CKM分期轨迹的多分类机器学习框架。方法：使用2971名基线CKM分期0–3成人的纵向队列进行开发，轨迹分为改善、稳定、轻度进展和快速进展；比较6种算法，以Macro-AUC和决策曲线分析评价，用SHAP值识别共识预测因子构建简约模型，并在独立医院队列（N=291）外部验证。结果：XGBoost的Macro-AUC最高（0.786，95% CI 0.757–0.813），6种算法表现相近；快速进展筛查中，主模型在阈值0.23下灵敏度0.767、特异度0.739、阴性预测值0.949，最高风险10%人群覆盖41.9%快速进展者；基线CKM分期是主导预后决定因素（仅分期基准0.689）；6个共识预测因子为基线分期、年龄、空腹血糖、TyG-BMI指数、收缩压、甘油三酯；简约模型保留全模型98%以上判别力，外部Macro-AUC 0.752且无需重训练。结论：该框架区分CKM轨迹，旨在筛查快速进展而非判定单一轨迹；基线分期为主决定因素，六预测因子模型用常规指标保留判别力，支持分层随访，待更大队列确认。
研究背景与动机
心血管-肾脏-代谢（CKM）综合征由美国心脏协会（AHA）于2023年提出，整合代谢危险因素、慢性肾脏病与心血管病变的统一分期（0–4期）体系。现有流行病学显示中美中老年人群3–4期患病率分别达55.3%（≥65岁）与26.5%（≥45岁）。既往机器学习研究多聚焦认知障碍或抑郁风险等单一终点，且将分期变化二值化为“进展/非进展”，丢失了改善、稳定、轻度恶化、快速恶化等方向性与幅度信息；集成学习与SHAP解释技术亦未系统用于CKM轨迹预测。因此，研究人员开展了一项基于中国纵向队列、以四分类轨迹为结局、多算法对比并结合可解释性的预测框架开发与外部验证研究，文章发表于《Frontiers in Endocrinology》。
主要技术方法概要
研究人员合并中国健康与养老追踪调查（CHARLS）2011与2015两波数据，构建2971人基线0–3期纵向开发队列；外部验证采用西宁第三方医院2016–2022年回顾性电子病历队列291人。基线预测集含60个变量（排除分期构成项防泄漏），采用训练集中位数/众数填补、z-score标准化；类别不平衡用逆频率加权（w=N/(K×n_c)）。开发6模型：多项Logistic回归、随机森林、XGBoost、GBM、SVM-RBF及三层Stacking集成；以5折分层CV选超参，Macro-AUC为主指标。解释层用XGBoost内置predcontrib计算四类轨迹SHAP值，取四类Top15交集得6共识因子建简约模型。评价含一对多AUC、校准（Platt/等距回归）、决策曲线分析（DCA）；外部验证冻结训练集预处理与再校准映射不作重训。
研究结果
3.1 样本与轨迹构成：2971人中改善7.9%、稳定55.5%、轻度进展22.0%、快速进展14.6%；基线0期无改善可能，3期无快速进展可能，可行类别受基线分期结构约束。
3.2 模型判别：测试集XGBoost Macro-AUC 0.786（0.757–0.813）最高，Stacking 0.780次之，SVM最低0.750；六算法95%CI重叠，DeLong无显著优劣。类内AUC呈极端类（快速0.820、改善0.797）高于中间类（轻度0.769、稳定0.757）。
3.3 分类性能：XGBoost总体准确率0.542、平衡准确率0.519；错误集中于相邻类（稳定?改善/轻度，快速?轻度/稳定），印证多分类边界重叠。
3.4 校准：原始概率Stable类高估、Improvement类低估；Platt缩放后校准斜率收至0.815–1.356，Brier降至0.503–0.523，AUC漂移≤0.007。
3.5 临床效用：快速进展DCA在阈值0.02–0.60净获益超全员/全不干预；XGBoost阈值0.23时灵敏度0.767、特异度0.739、NPV 0.949、需筛3人；前10%高风险组覆盖41.9%快速进展者（随机4.2倍富集）。
3.6–3.7 SHAP贡献：基线CKM分期四类均居首，年龄次之；分期方向在改善类（高分期→正贡献）与进展类（低分期→正贡献）反转。六共识因子为基线分期、年龄、空腹血糖、TyG-BMI指数、收缩压、甘油三酯。快速进展类独有自评健康、CES-D-10抑郁分、睡眠时长、峰值呼气流速、情景记忆分。
3.8 基线分期依赖：仅分期条件频率基准Macro-AUC 0.689；去分期后模型0.657–0.701（三模型低于基准）；分期贡献增量0.071–0.108，其余59变量增量?0.032至0.012。层内模型在0期近随机（0.466–0.604）。
3.9 简约模型：6因子XGBoost内部Macro-AUC降至0.786→0.772区间（保留>98%判别），RF简约版反升至0.778优于全模0.771。
3.10 外部验证：西宁队列291人（Stable 38.1%、Mild 36.4%、Rapid 18.9%、Improve 6.5%），随访中位1.96年。冻结简约XGBoost外部Macro-AUC 0.742（Rapid类0.798最高，Mild类0.636最低）；RF简约0.752最优。内部→外部跌0.010（RF）至0.054（LR）。冻结Platt映射未移植（外部斜率0.317–1.504）。阈值0.26下外部快速进展灵敏度0.709、NPV 0.915。
3.11 敏感性：多重填补Macro-AUC 0.784接近主分析0.786；完全病例降至0.670；三分类折叠0.783；逆频率加权优于SMOTE/ADASYN/欠采样；学习曲线显示XGBoost乐观度0.174、RF 0.227，LR仅0.014。
讨论浓缩
研究人员指出判别（AUC）与分类准确率不等价，框架定位为“快速进展筛查工具”而非四轨迹指派器，NPV 0.949支持此用途。基线分期贡献含结构成分（0期不可改善、3期不可快速进展）与临床成分（高分期触发强化干预致改善率上升，低分期管理缺位致进展空间大）。TyG-BMI作为胰岛素抵抗代理，串联糖脂紊乱-肾小球高滤过-内皮损伤；自评健康/抑郁/睡眠仅在快速进展类凸显，符合HPA轴持续激活→皮质醇升高→胰岛素抵抗与炎症级联假说。吸烟专属轻度进展类，契合内皮慢性毒性的渐进特性。简约六因子全来自常规体检，适合基层分层。局限含外部样本小、CKM分期依赖自报病史且无尿白蛋白肌酐比、仅两波4年间隔、外部随访短且再校准未移植、0期/3期类别可行域受限。
结论翻译
本研究将CKM分期变化从二分类扩展为改善、稳定、轻度进展、快速进展四分类轨迹框架，构建含6算法的多分类预测体系；XGBoost获最高Macro-AUC（0.786）定为主模型，六算法无显著优劣。框架用于筛查快速进展而非指派单一轨迹。基线CKM分期、年龄、空腹血糖、TyG-BMI指数、收缩压、甘油三酯为跨轨迹六共识预测因子，基线分期解释大部分可得判别力；自评健康、抑郁症状、睡眠时长贡献集中于快速进展类。基于六常规指标的简约模型保留判别力，独立临床队列外部Macro-AUC 0.752（无重训），支持暂定可移植性，待更大多样队列确认。
