预测早发性心血管疾病风险的非实验室模型构建与外部验证:一项多队列机器学习研究

《Atherosclerosis》:Development and external validation of a non-laboratory model to predict early-onset cardiovascular disease risk: a multicohort machine learning study

【字体: 大 中 小 】 时间:2026年10月14日 来源:Atherosclerosis 7.1

编辑推荐:

   摘要背景与目标本研究旨在开发并外部验证一个基于问卷的模型,用于 65 岁以下成年人的两项相关任务:在基线无心血管疾病的参与者中分类新发早发性心血管疾病(EOCVD),以及在基线患有 EOCVD 的参与者中预测全因死亡的时间至事件。方法纵向数据来自 CHARLS、HRS、KLo

  

摘要

背景与目标

本研究旨在开发并外部验证一个基于问卷的模型,用于 65 岁以下成年人的两项相关任务:在基线无心血管疾病的参与者中分类新发早发性心血管疾病(EOCVD),以及在基线患有 EOCVD 的参与者中预测全因死亡的时间至事件。

方法

纵向数据来自 CHARLS、HRS、KLoSA、ELSA 和 SHARE。发病率分类分析包括 37,082 名参与者,预后生存分析包括 19,478 名参与者。使用了 18 个问卷或常规可获得的预测因子。尽管报告的诊断可能依赖于早期的临床检测,但两个模型均未纳入实验室生物标志物或影像学测量。

结果

CatBoost 在独立的 SHARE 队列中实现了 0.6869 的 AUROC、0.1438 的 AUPRC、0.1105 的精确率和 0.6512 的召回率。Cox 比例风险模型在测试集中实现了 0.7175 的 C-index;其 3 年、5 年和 7 年的 AUROC 分别为 0.7314、0.7348 和 0.7350。

结论

P-EOCVD 为新发 EOCVD 及其后续死亡提供了基于问卷的风险分层。其低精确率排除了诊断用途。该模型可能支持在没有实验室测试立即可用的情况下的初步筛选,但在用于资源匮乏人群之前,需要进行前瞻性验证和重新校准。

引言

2023 年,心血管疾病(CVD)仍然是全球健康负担的主要导致因素之一,造成了显著的不可避免死亡和残疾。估计全球约有 1914 万人死于心血管疾病,现有患者总数约为 6.26 亿人 1, 2, 3, 4。尽管 CVD 的核心可改变驱动因素仍集中在吸烟、血脂异常、高血压、糖尿病、肥胖和身体活动不足等传统危险因素上 5, 6,但与早发性心血管疾病(EOCVD)和晚发性心血管疾病(LOCVD)相关的经济负担和病理过程(如钙化)存在差异 7, 8。尽管动脉粥样硬化性心血管疾病(ASCVD)的一级预防取得了进展,但年轻患者中 CVD 的发病率仍在持续上升 9, 10。
虽然 SCORE2 允许对年轻人群进行风险评估,但它通常需要血脂谱,这限制了其在资源受限环境中的实用性,使得在大型社区或资源有限的环境中难以进行简单的早期筛查和检测 11, 12, 13, 14。此外,专门针对 EOCVD 的预测模型很少;例如,源自年轻成年人冠状动脉风险发展(CARDIA)研究的模型虽然具有创新性,但仅使用了生活方式因素,并且存在一定的时间间隔 [15]。传统风险模型往往由于绝对风险低以及年龄引起的偏差,低估了早期预防控制的紧迫性 14, 16。
因此,本研究利用五个基于人群的纵向老龄化队列解决了两个预设任务。第一项是在基线无心血管疾病的参与者中,对随访期间新发 EOCVD 进行二元分类。第二项是在基线患有 EOCVD 的参与者中,对全因死亡进行时间至事件预测。

章节片段

研究设计与数据来源

P-EOCVD 是一个基于多队列数据的纵向预测模型。研究设计遵循了多变量预测模型个体预后或诊断的透明报告(TRIPOD)和 TRIPOD+AI 指南 17, 18, 19。
本研究整合了五个大型纵向队列研究的数据,即中国健康与退休纵向研究(CHARLS)[20]、健康与退休研究(HRS)[21]、韩国老龄化纵向研究(KLoSA)[22]、调查

敏感性分析

进行了多项敏感性分析:单一结局、BMI 替换、完整病例和常规评分分析。对于单一结局分析,重复进行模型开发和评估,单独使用心脏病或中风作为结局,以评估预测性能在单个心血管结局间的一致性。对于完整病例分析,使用未经过多重插补的数据重复进行模型训练和评估,以评估...的影响

在线工具

基于最佳模型开发了一个交互式在线风险评估工具(https://luanlab.top/peocvd 或 http://101.43.31.62:5000/),允许用户输入 18 个基线指标,并获得 EOCVD 发病概率(0 到 1 的连续值)、预后风险评分(相对风险比)以及个性化 SHAP 力图的实时预测,显示关键驱动因素的贡献方向和幅度。

软件

所有统计、分析和绘图均使用 R(版本 4.4.2)、Stata(MP16)和 Python(版本 3.13)完成。

队列特征

共有 37,082 名参与者纳入发病率预测分析。各队列的中位随访时间为 7 年(IQR 3–9),总体事件发生率为 8.9%。基线中位年龄为 56.0 岁(IQR 52.0–60.0),56.7% 的参与者为女性。各队列的教育水平存在显著差异:CHARLS 中 86.8% 的参与者教育水平较低,而 ELSA、HRS 和 SHARE 中中等和高水平教育更为常见。人体测量学

讨论

P-EOCVD 解决了 65 岁以下成年人的两个相关临床问题。发病率组件对可能在随访期间发展为 EOCVD 的参与者进行分类,而预后组件估计基线患有 EOCVD 的参与者的全因死亡。这两项任务不应被解释为单一的风险方程。CatBoost 在 SHARE 中对新发 EOCVD 提供了中等程度的区分能力,而 CoxPH 在预后方面保留了更好的区分能力。外部结果也

材料

数据可用性声明

支持本研究结果的数据可从原始数据提供者处获得。CHARLS、HRS、KLoSA、SHARE 和 ELSA 的协调纵向数据可在向各队列官方数据存档注册并申请后获得,符合其数据使用协议。
用于数据清洗、统计分析和图形生成的所有代码均可应合理请求从通讯作者处获得。结果可以在...上进行交互探索

伦理批准

本研究是对从五个大型纵向队列研究获得的可公开获取、去标识化数据的二次分析:中国健康与退休纵向研究(CHARLS)、健康与退休研究(HRS)、韩国老龄化纵向研究(KLoSA)、欧洲健康、老龄化和退休调查(SHARE)和英国老龄化纵向研究(ELSA)。
所有原始研究均获得了各自机构审查委员会或...的伦理批准

资金

本研究未获得任何资金。

利益冲突声明

作者声明无利益冲突。

致谢

作者感谢 CHARLS、HRS、KLoSA、SHARE 和 ELSA 的参与者和现场工作人员提供本研究使用的数据访问权限。
栾善杰
山东大学,基础医学院,济南市文化西路 44 号,250012,山东,中国
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