基于基线心肺适能指标预测急性高山病的可解释四任务集成模型(AMS-FTE)

《Frontiers in Public Health》:Baseline indices of cardiorespiratory fitness for predicting acute mountain sickness: an interpretable four-task ensemble model

【字体: 大 中 小 】 时间:2026年09月22日 来源:Frontiers in Public Health 4.1

编辑推荐:

  背景:急性高山病(AMS)对进入高海拔(HA)环境的个体构成严峻挑战。早期精准预测AMS对于及时识别高危个体和制定有效治疗策略至关重要。研究人员旨在开发并验证一个可解释的急性高山病四任务集成(AMS-FTE)模型,根据新旧LLS定义预测AMS的发生与严重程度。

  
背景:急性高山病(AMS)对进入高海拔(HA)环境的个体构成严峻挑战。早期精准预测AMS对于及时识别高危个体和制定有效治疗策略至关重要。研究人员旨在开发并验证一个可解释的急性高山病四任务集成(AMS-FTE)模型,根据新旧LLS定义预测AMS的发生与严重程度。

方法:本研究纳入330名接受快速HA暴露的健康受试者。抵达后采用Lake Louise评分(LLS)进行问卷调查。五种机器学习(ML)算法分别对每个预测任务进行独立评估,随后组合随机森林(RF)、自适应提升(AdaBoost)和轻量梯度提升机(LightGBM)构建AMS-FTE框架。为增强可解释性,采用SHapley Additive exPlanation(SHAP)方法阐明特征重要性。通过受试者工作特征曲线下面积(AUC)和决策曲线分析(DCA)评估预测效能及模型的临床适用性。

结果:经过算法比较,构建AMS-FTE模型以提供四个AMS相关任务的统一预测。基于特征重要性排序,利用贡献度排名前5的特征为每个任务开发了可解释的最终模型,这些特征与基线心肺适能相关(运动后心率、运动后SpO2、AT-RCP时间、峰值VO2和ΔVO2 AT-RCP)。该模型对AMS展现出稳健的预测准确性,并显示出显著的临床净获益概率范围,证实其具有较强的临床适用性。

结论:通过可解释的ML模型和支持系统,基线心肺适能参数的预测价值在区分AMS与非AMS受试者方面被证实具有价值。这将有助于实现AMS的早期诊断,并为急性高原病提供更具针对性的干预措施。
**论文解读:基于基线心肺适能指标预测急性高山病的可解释四任务集成模型**

**一、研究背景与现存问题**

高海拔(HA)环境中的低压低氧对机体构成显著挑战。心血管和呼吸系统通过内在自我调节以适应低氧应激,其中过度通气和心率(HR)升高是最显著的生理变化。适应不良可触发急性高山病(AMS),该病被认为与心肺功能异常有关。在未适应人群中,若快速上升到海拔4,500–6,000米,AMS的患病率可高达40%–90%。运动后生理指标在一定程度上反映心肺适能,近年被证明与AMS的发生和进展密切相关。运动心肺试验(CPET)作为心肺适能的精准评估手段,是评价急性HA暴露期间代偿反应的有效方法。CPET中通气轮廓呈现两个明显的拐点:无氧阈(AT)和呼吸代偿点(RCP),两者间的时间段(AT-RCP时间)代表等碳酸缓冲期,期间升高的乳酸被碳酸氢盐缓冲以防止酸中毒。AT-RCP时间和AT-RCP间的摄氧量(ΔVO2 AT-RCP)反映AT后气促出现前的持续运动能力。多数CPET研究证实急性低压低氧暴露会降低HA环境中的心肺适能,减少峰值VO2、AT和RCP时的VO2及VO2/功率(WR)斜率。然而,这些参数能否有效预测AMS仍不清楚。此外,尽管机器学习(ML)在医学预测中应用广泛,但许多模型存在可解释性问题,形成“黑箱”困境,限制了临床实际应用。因此,开发一个兼具高预测性能与可解释性的AMS预测模型具有重要临床意义。

**二、研究目的与意义**

研究人员旨在开发并验证一个可解释的急性高山病四任务集成(AMS-FTE)预测模型,通过整合新旧两版Lake Louise评分(LLS)评估AMS的发生率和严重程度,实现更全面的疾病预测。该模型的建立有望实现AMS的早期诊断和针对性干预,优化医疗资源配置,为高原医学的精准预防提供工具。

**三、研究方法概述**

本研究纳入330名长期居住于低海拔地区(LA)的健康成年男性,从中国四川成都(海拔500米)乘飞机快速暴露至西藏拉萨(海拔3,700米),耗时约3小时,分批于1周内完成。排除患有慢性疾病、近6个月有HA暴露史或服用可能损害心肺功能药物者。所有受试者在LA完成包括动态血压监测、超声心动图、心电图(ECG)和运动心肺试验(CPET)在内的基线生理评估。到达HA后12–24小时内,使用1993年旧版和2018年新版LLS评估AMS的发生与严重程度,总分≥3且伴头痛诊断为AMS。研究人员评估了5种ML算法:支持向量机(SVM)、随机森林(RF)、轻量梯度提升机(LightGBM)、自适应提升(AdaBoost)和极限梯度提升(XGBoost),通过比较选出RF、AdaBoost和LightGBM三种最优算法构建AMS-FTE集成框架。四个预测任务为:旧LLS诊断AMS、新LLS诊断AMS、旧LLS评分、新LLS评分。采用分层随机抽样按80:20划分训练集和测试集,训练集内进行五折交叉验证。SHAP方法用于量化特征贡献并排序,结合临床专家判断进行特征选择。

**四、研究结果**

**基本特征比较:** 到达高原后,旧LLS标准诊断126名受试者(38.2%)为AMS,新LLS标准诊断113名(34.2%)。AMS组与非AMS组在人口统计学特征上无显著差异。旧LLS诊断的AMS组运动后HR[96.00对88.50,p<0.001]和VO2/WR斜率[9.82对9.20,p<0.001]显著高于非AMS组;而运动后SpO2[93.00对95.00,p<0.001]、AT-RCP时间[157.10对175.91,p<0.001]、峰值VO2(31.27±2.48对34.06±2.70,p<0.001)和ΔVO2 AT-RCP[9.90对12.38,p<0.001]显著较低。新LLS标准分组中观察到相似模式。值得注意的是,静息SpO2、HR和静息血压在组间无显著差异,提示动态负荷试验对揭示潜伏的心肺脆弱性至关重要。

**模型开发与选择:** 五种ML模型被训练并评估以预测4个临床结局。对于旧LLS诊断AMS的预测,RF模型表现最佳(AUC=0.952);对于新LLS诊断AMS的预测,RF模型同样最优(AUC=0.959);对于旧LLS评分预测,AdaBoost(AUC=0.962)和RF模型(AUC=0.962)表现最佳;对于新LLS评分预测,LightGBM模型性能最优(AUC=0.950)。基于综合比较结果,研究人员选定RF、AdaBoost和LightGBM构建AMS-FTE模型。

**基于SHAP的特征选择:** SHAP分析量化了每个输入变量对任务特异性AMS-FTE模型预测的贡献。综合四个任务的结果,5个持续主导的特征浮现:运动后HR、运动后SpO2、AT-RCP时间、峰值VO2和ΔVO2 AT-RCP,均与心肺适能相关。通过比较使用前3、5、7、9、11、13个SHAP排名变量的模型性能,五特征配置在整体判别力上最一致,既保持高判别性能又提升可解释性并减少测量负担。最终的五特征AMS-FTE模型在旧LLS AMS分类中AUC为0.947,新LLS AMS分类中为0.948,旧LLS评分预测中为0.963,新LLS评分预测中为0.945。

**关键特征评估:** 采用五折交叉验证的out-of-fold预测进行决策曲线分析(DCA)。结果显示在旧LLS评估体系下,AMS-FTE模型在0.041至0.922和0.047至0.937的概率范围内实现了临床显著的净获益(NB)超过零;在新LLS评估体系下,模型在0.005至0.807和0.007至0.790的概率范围内也产生显著NB。研究人员还开发了基于SHAP的AMS预测支持系统,以网页格式提供,可基于新旧LLS预测AMS的发生和严重程度。

**五、讨论与结论**

本研究表明,基线心肺适能参数对AMS具有显著预测价值。CPET作为评估心肺适能的金标准,可综合测量VO2、AT、SpO2等指标。峰值VO2代表个体最大氧利用能力,基线峰值VO2可作为AMS发生的强预测因子。AT-RCP时间反映酸碱调节能力(等碳酸缓冲能力,IBC),较长的AT-RCP时间可降低代谢性酸中毒风险。运动后HR和SpO2指向自主神经系统恢复动力学和气体交换效率,即心肺储备的关键组成部分。动态负荷试验可揭示静息状态下难以发现的亚临床功能缺陷,因此动态来源的心肺储备指标似乎是比静态静息参数更敏感的高原适应能力指标。

与既往研究相比,本研究开发的AMS-FTE模型独特地同时解决了疾病发生率和严重程度分级问题,并使用两套国际验证的评分系统(1993年和2018年版LLS),增强了研究结果的可靠性。利用标准化CPET指标实现与组学方法相当或更优的判别效能(AUC:0.947–0.963),且更易在临床推广。通过在高原暴露前基于基线生理储备识别高危个体,该模型促进了从被动管理向主动、个性化预防策略的转变。

本研究存在一定局限性:运动后指标可能受随机因素影响;研究不能确立CPET指标与AMS发病之间的直接因果关系;队列仅包含中国年轻男性,样本量相对较小;缺乏独立外部验证队列。未来需开展大规模、多中心前瞻性研究予以验证。

结论:研究人员引入了一个稳健的AMS-FTE模型,旨在预测AMS的发生和严重程度。该模型源于对最优ML算法的系统比较,并结合SHAP技术指导特征选择,显著增强了可解释性和临床实用性。核心预测指标包括运动后HR、运动后SpO2、AT-RCP时间、峰值VO2和ΔVO2 AT-RCP。重要的是,研究揭示基线心肺适能指标对AMS风险具有强预测价值,可实现高原相关疾病的早期诊断和个体化干预,从而优化关键医疗资源的配置。
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