《Frontiers in Endocrinology》:Development and comparative evaluation of machine learning algorithms and Cox regression for predicting fasting plasma glucose-defined incident prediabetes: a longitudinal cohort study
编辑推荐:
目的:开发、比较并外部验证用于预测空腹血糖(fasting plasma glucose, FPG)定义的前驱糖尿病发病风险的机器学习(machine learning, ML)与Cox回归模型。
方法:研究人员对一个公开的中国健康体检队列进行了二次分析,并在
目的:开发、比较并外部验证用于预测空腹血糖(fasting plasma glucose, FPG)定义的前驱糖尿病发病风险的机器学习(machine learning, ML)与Cox回归模型。
方法:研究人员对一个公开的中国健康体检队列进行了二次分析,并在一个独立的医院队列中开展了外部比较评估。基线空腹血糖正常的成年受试者被划分为训练集与内部验证集。采用最小绝对收缩与选择算子(least absolute shrinkage and selection operator, LASSO)回归筛选候选预测因子。研究人员比较了六种ML模型与一个初始比例风险Cox模型的区分度及基于阈值的指标。在识别出FPG违反比例风险假设后,对四种Cox模型设定进行了比较。模型选择综合考虑了拟合优度、内部验证集与外部队列中的表现、复杂度及简约性。最终模型在主要的3年、4年和5年预测时间点,使用时变受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)、Brier评分、校准曲线及决策曲线分析进行评估。采用SHapley Additive exPlanations(SHAP)分析、敏感性分析及在线计算器以支持模型解释与应用。
结果:在10,592名参与者中,1,287人(12.2%)在平均3.05年的随访期间出现了FPG定义的前驱糖尿病。LASSO从17个预测因子中保留了11个。随机森林(random forest, RF)在训练集中表现出最高的表观性能,但其在内部验证集与外部队列中的表现下降,而初始Cox模型则展现出更一致的区分度。FPG违反了比例风险假设。纳入FPG×log(t/3)交互项的扩展Cox模型(M2)具有最低的赤池信息准则(Akaike information criterion, AIC),能够处理FPG的时变效应,且其表现与更复杂的替代模型相当,因此被选为最终模型。M2保留了年龄、体质指数(body mass index, BMI)、舒张压(diastolic blood pressure, DBP)、FPG及糖尿病家族史五个预测因子。其在训练集中的3年和4年AUC分别为0.800和0.796,在内部验证集中为0.778和0.755,在外部队列中为0.750和0.764。五年预测为探索性分析,且在外部队列中稳定性较差。SHAP分析显示FPG是最主要的贡献因素,敏感性分析总体上支持模型的稳健性。
结论:最终的扩展Cox模型(M2)及其在线风险计算器可能为FPG定义的前驱糖尿病提供一种可解释的、个体化的风险评估实用框架,利用常规临床指标支持早期风险分层及预防性危险因素管理。
研究背景与问题
糖尿病是全球性的重大公共卫生挑战,因其慢性病程、高疾病负担以及与心血管疾病、肾病、视网膜病变、神经病变和过早死亡的密切关联而备受关注。中国正承受着尤为沉重的糖尿病负担,这由快速的社会经济转型、人口老龄化、肥胖率增加、城市化进程以及包括不健康饮食模式和体力活动减少在内的生活方式改变所驱动。由于糖尿病通常逐渐发展,并可能在多年内保持临床隐匿状态,因此在血糖异常的更早阶段识别个体对于预防和风险管理至关重要。前驱糖尿病是一种中间代谢状态,与糖尿病、心血管疾病及其他不良结局的风险增加有关。然而,在大规模健康体检队列中,糖化血红蛋白(hemoglobin A1c, HbA1c)和口服葡萄糖耐量试验(oral glucose tolerance test, OGTT)数据往往不可获得,这使得空腹血糖(fasting plasma glucose, FPG)成为评估早期血糖风险的一个实用且广泛可用的标志物。因此,针对记录到的FPG定义的前驱糖尿病发病风险建立预测模型,可以为估算基线空腹血糖正常成人的未来血糖风险提供一个结构化方法。在此背景下,本研究旨在比较机器学习(machine learning, ML)与Cox回归方法,考虑基线FPG与结局之间的时变关联,并基于五个常规可获得的预测因子开发一个可解释的扩展Cox模型(M2)。该模型通过一个在线风险计算器呈现,并在一个独立的医院队列中进行评估,为其在个体化3年和4年风险评估中的预测性能和潜在的可迁移性提供了外部比较证据。
研究方法概述
研究人员对一项公开的中国健康体检队列(来自Rich Healthcare Group,涵盖2010至2016年间中国11个城市32个中心的成人)进行二次分析作为开发队列,并从新疆医科大学第五附属医院的信息系统中获取一个独立的医院队列(2016至2021年基线记录,随访至2025年12月)用于外部比较评估。主要技术方法包括:采用最小绝对收缩与选择算子(LASSO)回归从17个候选变量中筛选预测因子;在训练集(占开发队列65%)中训练六种ML模型(随机森林RF、梯度提升决策树GBDT、极限梯度提升XGBoost、朴素贝叶斯NB、自适应增强AdaBoost和支持向量机SVM)和一个初始比例风险Cox模型,并在内部验证集(占35%)和外部队列中比较其时变受试者工作特征曲线下面积(t-AUC)、一致性指数(C-index)等区分度指标及阈值指标;通过Schoenfeld残差检验比例风险(PH)假设,并对违反PH假设的FPG,比较四种不同函数形式和时变效应的Cox模型设定(线性PH模型M0、限制立方样条PH模型M1、线性FPG×log(t/3)交互项模型M2、限制立方样条与时变交互项模型M3),依据赤池信息准则(AIC)、似然比检验及验证集表现选择最终模型;应用SHapley Additive exPlanations(SHAP)分析量化预测因子重要性;并通过敏感性分析(放宽排除标准、扩大完整数据分析、现状区间删失分析)评估模型稳健性。
研究结果
1. 研究人群、队列分配与基线特征
开发队列共纳入10,592名符合条件的参与者,其中男性6,953人(65.6%),平均年龄40.86岁,平均随访3.05年。随访期间,1,287人(12.2%)发生FPG定义的前驱糖尿病。与未发生者相比,发生前驱糖尿病的参与者更多为男性、吸烟者、饮酒者及有糖尿病家族史者,且年龄更大,体质指数(BMI)、收缩压(SBP)、舒张压(DBP)、FPG、胆固醇、甘油三酯、低密度脂蛋白(LDL)、丙氨酸氨基转移酶(ALT)、天冬氨酸氨基转移酶(AST)、血尿素氮(BUN)和肌酐水平更高,而高密度脂蛋白(HDL)更低。外部队列包含671名参与者,平均随访3.02年,75人(11.2%)发生事件,其基线特征与开发队列无显著差异。
2. 基于LASSO的预测因子选择与模型性能比较
LASSO回归在训练集中从17个变量中筛选出11个非零系数变量:年龄、BMI、DBP、FPG、甘油三酯、ALT、BUN、性别、吸烟史、饮酒史和糖尿病家族史。在训练集中,随机森林(RF)显示出最高的表观性能(t-AUC=0.936),但在内部验证集和外部队列中性能大幅下降(t-AUC分别为0.717和0.685)。其他ML模型也出现不同程度的性能衰减。相比之下,初始Cox模型在内部验证集(t-AUC=0.780)和外部队列(t-AUC=0.769)中均表现出最高且最一致的区分度。
3. 比例风险评估与最终扩展Cox模型的选择
在多变量Cox模型中,年龄、BMI、DBP、FPG和糖尿病家族史与结局显著相关,其中FPG关联最强(风险比HR=5.65)。Schoenfeld残差检验显示FPG及全局模型违反PH假设。在比较的四种模型中,纳入FPG×log(t/3)交互项的M2模型具有最低的AIC值,且相对于更复杂的M3模型无显著改善,因此被选为最终模型。M2保留了年龄、BMI、DBP、FPG和糖尿病家族史五个预测因子。在3年参考时间点,基线FPG每升高1 mmol/L,风险增加6.33倍(HR=6.33),且负向的交互项系数证实其关联随时间减弱。
4. 最终M2模型的区分度、校准度与临床净获益
M2模型在三个队列的主要3年和4年预测时间点均保持了较为一致的区分度:训练集AUC分别为0.800和0.796,内部验证集为0.778和0.755,外部队列为0.750和0.764。5年预测AUC分别为0.761、0.739和0.667,稳定性较差。校准曲线在3年和4年预测中大致沿参考线分布,尤其在低风险区域。决策曲线分析(DCA)表明,在多个阈值概率范围内,M2模型在3年和4年预测中相较于“全部治疗”或“全部不治疗”策略提供了更大的净获益。
5. 基于SHAP的解释与增量预测价值
SHAP分析确认FPG是个体风险预测的最主要贡献因素,其次是BMI、年龄、DBP和糖尿病家族史。成分模型比较显示,完整的五预测因子M2模型相比不含FPG的临床模型在区分度上有显著提高,但与仅含FPG的M2模型性能接近,表明FPG提供了绝大部分判别信息,而其他临床预测因子提供了适度的补充价值,主要体现在改善内部验证集的区分度和校准度。
6. 敏感性分析与模型稳健性
移除排除标准后重新估计,FPG系数和时变模式基本不变。在扩大至185,563人的完整数据队列中重新估计,所有预测因子方向一致,FPG关联仍随时间递减,且区分度几乎相同,3年和4年校准度有所改善。现状区间删失分析显示与M2模型的风险排序高度一致(Spearman ρ=0.951-0.974),但绝对风险估计对事件时间假设更敏感。这些分析总体上支持了M2模型预测方向、FPG时变效应及区分性能的稳健性。
讨论与结论
讨论部分指出,本研究开发的最终扩展Cox模型(M2)基于五个常规可获得的预测因子,提供了一个透明且临床可解释的框架,同时明确处理了FPG与前驱糖尿病之间的时变关联。与许多相对不透明的ML模型相比,M2模型更具优势。SHAP分析通过描述每个预测因子在群体和个体层面的相对贡献和方向,增强了模型及其风险估计的可解释性。五个最终预测因子(年龄、BMI、DBP、FPG、糖尿病家族史)捕捉了FPG定义前驱糖尿病风险的互补维度,其中BMI和DBP是可修改的临床指标,可通过生活方式干预和血压管理改善;FPG是早期血糖风险的实用标志物;年龄和家族史虽不可修改,但有助于识别高风险个体。由于这些预测因子在临床和体检环境中均可常规获得,该模型便于进一步的外部验证和未来的实施研究。在线风险计算器将最终模型转化为一个可访问的界面,提供个体化风险估计、基于开发队列的风险类别和百分位数以及预测因子特定的解释。研究人员强调,3年和4年估计是主要的预测时间窗口,而5年估计因探索性本质和在外部队列中稳定性降低需谨慎解读。该模型和计算器共同为个体化风险评估和风险沟通提供了一个可解释且具有潜在实用价值的框架,但在常规临床应用前,仍需真正独立的多中心外部验证、特定场景的校准以及前瞻性的临床影响评估。
研究结论翻译: 研究人员开发并评估了一个可解释的扩展Cox模型(M2),该模型纳入了年龄、BMI、DBP、FPG和糖尿病家族史,用于估算基线空腹血糖正常的中国成年人中记录到的FPG定义前驱糖尿病的3年和4年发病风险。通过处理基线FPG与结局之间的时变关联,M2模型在主要预测时间点展现了中等水平的区分度,以及总体良好的校准度和决策分析性能,并且在模型拟合、稳定性、可解释性和简约性方面优于所评估的其他替代模型。5年预测稳定性较差,尤其是在外部队列中,应被视为探索性分析。结合SHAP分析和在线风险计算器,M2模型利用常规可获得的预测因子,为个体化风险评估提供了一个可解释且具有潜在实用价值的框架。由于外部队列参与了模型比较与选择,在临床实施前需要进行真正独立的多中心外部验证、必要的校准以及前瞻性的临床影响评估。