基于心血管危险因素的性别特异性机器学习痴呆风险预测

《Neurology Open Access》：Sex-Specific Machine Learning–Enabled Risk Prediction for Dementia Using Cardiovascular Risk Factors

　　

背景与目的：痴呆症目前仍缺乏治愈性治疗方法，这凸显了早期识别高危个体的必要性。心血管及生活方式因素与痴呆风险之间的关联可能存在性别特异性差异。本研究旨在开发并验证基于性别分层的10年痴呆风险机器学习模型。

方法：研究人员使用了来自痴呆风险预测项目（Dementia Risk Prediction Project）中8个美国及欧洲纵向队列的43,973名无痴呆参与者的预合并与统一标准化（harmonized）数据。研究人员构建了按性别分层的基础风险预测模型，纳入年龄及心血管危险因素，包括体质指数（body mass index, BMI）、糖化血红蛋白（HbA_1c）、冠心病史以及糖尿病、高胆固醇血症和高血压用药。研究人员进一步探索了在基础模型中加入生活方式因素和APOE基因型对改善风险预测的效用。使用极端梯度提升（Extreme Gradient Boosting, XGBoost）估计10年内全因痴呆（all-cause dementia）的发病风险。所有模型均通过逆删失概率加权（inverse probability of censoring weighting, IPCW）进行加权，以处理不同的随访时间。Shapley加性解释（Shapley additive values, SHAP）用于量化预测因子的重要性。模型性能通过区分度（受试者工作特征曲线下面积[AUROC]）和校准斜率（calibration slope）进行评估。

结果：在训练集35,176名参与者（52%为女性；平均年龄62岁）中，1,020名女性和735名男性发生痴呆。女性观察到的10年痴呆风险为7.7%（95% CI 7.3–8.2），男性为6.2%（5.8, 6.6）。两性共同的首要预测因子为年龄、抗高血压药物使用、APOE基因型、HbA_1c、卒中和收缩压。SHAP分析显示，与男性相比，APOE基因型和收缩压升高在女性中与痴呆风险的关联更强。在验证集（52%为女性，平均年龄62岁）中，女性观察到的10年痴呆风险为7.3%（6.6, 8.2），男性为6.2%（5.5, 7.0）。完整预测模型在女性中的AUROC为0.906（95% CI 0.891–0.921），男性为0.874（95% CI 0.848–0.900）。女性校准坡度为1.02（0.91, 1.13），男性为0.99（0.88, 1.10）。

讨论：采用常规采集的心血管危险因素构建的性别分层机器学习模型在10年痴呆风险预测中实现了较高的预测准确性。危险因素重要性方面的性别差异，尤其是APOE基因型和卒中，为更个体化的预防策略提供了机遇。

**基于心血管危险因素的性别特异性机器学习痴呆风险预测模型研究解读**

**一、研究背景**

痴呆症（dementia）目前仍缺乏治愈性治疗方法，对医疗系统和家庭支持体系造成沉重负担，早期识别高危个体对于改善疾病结局、延缓症状出现至关重要。既往研究发现，心血管及生活方式危险因素与痴呆风险的关联强度在男性和女性之间存在差异，例如受教育程度和既往饮酒对男性痴呆风险的影响不同于女性，但现有预测模型很少针对性别分层进行开发或报告性别特异性的模型性能。由于性别特异性痴呆危险因素具有复杂性，机器学习算法能够捕捉非线性关系并纳入更多变量及其交互效应，因此有望构建校准和区分性能更优的性别特异性风险预测模型。基于此，该研究利用梯度提升树机器学习算法XGBoost，开发并验证了基于性别分层的10年痴呆风险预测模型，并通过可解释机器学习技术揭示男女性别之间危险因素重要性的差异。该论文发表在《Neurology Open Access》。

**二、研究方法概述**

研究人员利用痴呆风险预测项目（Dementia Risk Prediction Project, DRPP）联盟中8个美国及欧洲