冠心病和高血压患者轻度认知障碍分类的可解释机器学习模型：基于UK生物样本库和中国医院数据的开发与外部验证

《BMC Medical Informatics and Decision Making》：Interpretable machine learning model for classification of mild cognitive impairment in patients with coronary artery disease and hypertension: development and external validation using UK Biobank and Chinese hospital data

　　

摘要

背景

轻度认知障碍（MCI）常与冠状动脉疾病（CAD）和高血压（HBP）共存，反映了血管-认知交互作用。早期识别MCI对于针对性预防至关重要。本研究旨在利用英国生物样本库（UK Biobank）和医院数据，开发并外部验证可解释的机器学习（ML）模型，用于识别CAD和HBP患者中现患的MCI。

方法

在这项横断面研究中，1,204例来自英国生物样本库的CAD和HBP患者用于模型开发和内部验证。在英国生物样本库中使用基于ICD-10的健康记录编码识别MCI，在外部验证队列中使用基于指南的临床评估。外部验证涉及绵阳市第三医院（四川省精神卫生中心）的252例患者和仪陇县人民医院的132例患者，共计384例。比较了八种ML算法，包括随机森林（RF）、逻辑回归和支持向量机。使用受试者工作特征曲线下面积（AUC）、Brier评分和SHapley可加性解释（SHAP）评估模型的区分能力、校准和可解释性。

结果

RF模型表现出最佳性能（AUC=0.8694，内部验证；AUC=0.8130，外部验证）。校准分析表明良好的吻合度（Brier评分：0.036内部验证，0.029外部验证）。SHAP识别了关键贡献因素：低密度脂蛋白（LDL）升高（约4.007 mmol/L）、收缩压（约150 mmHg）、舒张压（约84 mmHg）、总胆固醇（约6.06 mmol/L）、年龄（约62岁），以及高密度脂蛋白（HDL）降低（约1.046 mmol/L）。此外，开发了一个在线计算器（https://predictingmildcognitiveimpairment.shinyapps.io/predictingMCI/）。

结论

我们开发并外部验证了一个基于RF的可解释ML模型，用于识别CAD和HBP患者中现患的MCI。该工具提供了关于可改变风险因素的透明、数据驱动的洞察，并有助于心血管-认知管理中的早期风险分层和决策支持。