刘忠典 许琪 陈伊静 覃玲巧 陈淑萍 唐薇婷 钟秋安

    【摘要】 背景 颈动脉粥样硬化(CAS)常被视为心血管疾病(CVD)的预警信号，其诊断技术颈动脉多普勒超声检查没有被纳入公共卫生服务项目，同时弗雷明汉风险评分(FRS)存在着评估CAS风险准确性不足的情况，不利于基层医疗人员识别CAS。目前，关于机器学习方法识别FRS中高风险人群CAS的研究依然缺乏。目的 运用机器学习方法构建FRS中高风险人群CAS的预测模型，比较其判别效能，筛选出性能最优的模型，以期辅助基层医疗人员更简便更准确地识别CAS。方法 采用方便抽样法，选取2019—2021年和2023年在广西壮族自治区柳州市两乡镇的674例当地居民作为研究对象。收集相关信息，并采集空腹血样、尿样检测生化指标。采用FRS评估CVD发生风险；运用颈动脉超声诊断CAS。将2019—2021年517例研究对象按照8∶2的比例随机分为训练集和验证集，训练集用于构建Logistic回归、随机森林(RF)、支持向量机(SVM)、极端梯度增强(XGBoost)模型和梯度增强决策树(GBDT)模型，验证集用于内部验证；2023年157例研究对象作为测试集，用于外部验证。通过Lasso回归分析筛选特征变量，运用灵敏度、特异度、准确度、F1值和曲线下面积(AUC)评价判别效能，外部验证采用AUC值评价最优模型泛化能力，并通过Shapley Additive exPlanation(SHAP)方法探讨影响最优模型识别CAS的重要变量。结果 通过Lasso回归，筛选出15个非零特征变量：年龄、BMI、收缩压(SBP)、吸烟、饮酒、高血压、总胆固醇、高密度脂蛋白胆固醇、C-反应蛋白(CRP)、空腹血糖、载脂蛋白B(ApoB)、脂蛋白a(LPA)、天冬氨酸氨基转移酶(AST)、AST/丙氨酸氨基转移酶、尿微量白蛋白肌酐比值 ......