构建 XGBoost 模型：解析人口与饮食因素和 ASCVD 的关联

研究人员构建机器学习模型探究人口、饮食与动脉粥样硬化性心血管疾病（ASCVD）关系，XGBoost 模型表现最佳，意义重大。

　　动脉粥样硬化性心血管疾病（Atherosclerotic Cardiovascular Disease，ASCVD）是一类严重危害人类健康的疾病，它由动脉粥样硬化引发，就像血管里悄悄筑起了 “小城墙”，使得动脉逐渐狭窄，阻碍血液流动，进而可能诱发心肌梗死、脑血管意外等严重后果。目前，尽管已知高血压、高血糖、高血脂和肥胖等是 ASCVD 的风险因素，但对于人口特征和饮食模式与 ASCVD 之间的关联，研究还不够深入。而且，传统统计方法在研究这些关联时存在诸多限制，如对数据要求苛刻，大量非结构化数据无法利用。在这个大数据时代，如何更精准地挖掘数据背后的秘密，找到预防和控制 ASCVD 的有效方法，成为了医学领域亟待解决的问题。

为了攻克这些难题，来自芜湖市第二人民医院心内科和中国医学科学院 & 北京协和医学院医学信息研究所的研究人员展开了一项重要研究。他们的研究成果发表在《BMC Medical Informatics and Decision Making》上，为我们认识 ASCVD 带来了新的视角。

研究人员使用了美国国家健康和营养检查调查（U.S. National Health and Nutrition Examination Survey，NHANES）1999 - 2018 年的数据集，这个数据集就像一个装满医学宝藏的 “百宝箱”，包含了丰富的人口健康信息。研究人员从中筛选出 40,298 名参与者，并基于 20 个人口特征，运用 5 种机器学习（Machine Learning，ML）算法 —— 逻辑回归（Logistic Regression，LR）、人工神经网络（Artificial Neural Networks，ANNs）、支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）和极端梯度提升（eXtreme Gradient Boosting，XGBoost），构建模型来预测 ASCVD。

在研究过程中，研究人员采用了多种关键技术方法。首先是数据预处理，他们排除了 18 岁以下、ASCVD 数据缺失以及含有其他缺失数据的样本，针对数据不平衡的问题，使用合成少数过采样技术和编辑最近邻（Synthetic Minority Over-sampling Technique and Edited Nearest Neighbor，SMOTEENN）重采样技术进行处理，并利用最小 - 最大归一化方法将数据特征值归一化到 [0, 1] 范围。然后，通过 10 折交叉验证来评估模型性能，使用受试者工作特征曲线下面积（Area Under the Curve，AUC）、准确率、精确率、召回率和 F1 评分等指标进行衡量。最后，运用 SHapley Additive exPlanations（SHAP）分析来解释模型输出，探究各特征对结果的贡献。

研究结果令人瞩目。在模型性能方面，5 种模型都展现出了不错的效率和稳定性，其中 XGBoost 模型脱颖而出，AUC 达到 0.8143，F1 评分高达 0.8631，表现最佳。通过 SHAP 分析，研究人员发现了诸多与 ASCVD 风险相关的因素。年龄、贫困收入比（Poverty Income Ratio，PIR）、吸烟状况、家庭规模、性别和种族等因素对 ASCVD 风险影响显著。具体来说，年龄增长、男性、吸烟会增加 ASCVD 风险，而较高的 PIR 在 60 岁以下人群中具有保护作用，在 60 岁及以上人群中则呈现负面影响。

在饮食方面，研究也有重要发现。咖啡饮用、适量摄入膳食盐和蔬菜对预防 ASCVD 有益；减少精制谷物摄入与降低 ASCVD 风险之间不存在线性关系；总乳制品摄入量越高，ASCVD 风险越低；两天总热量摄入为 5,000 千卡似乎是降低 ASCVD 风险的理想值，热量摄入与 ASCVD 风险呈现非线性关系。

研究结论表明，XGBoost 模型在确定 NHANES 1999 - 2018 数据集中参与者的人口特征、饮食摄入与 ASCVD 之间的关系方面，具有显著的有效性和精确性。这一研究成果意义非凡，它为深入了解 ASCVD 的发病机制提供了新的依据，有助于制定更有针对性的预防和干预策略。比如，对于不同年龄、性别、经济状况的人群，可以根据这些研究结果给出个性化的饮食建议，从而降低 ASCVD 的发病风险。

不过，这项研究也存在一些局限性。由于计算限制，未对种族、年龄等特征进行亚组分析；ASCVD 诊断部分依赖问卷调查的自我报告数据，可能存在信息偏差；约 10% 的病例存在变量缺失，影响分析准确性；SHAP 分析结果基于单一训练 / 测试分区，可能不具有普遍适用性；模型的复杂性和可解释性挑战也可能影响其再现性 。但这些不足并不能掩盖研究的价值，未来的研究可以针对这些问题进一步探索，不断完善对 ASCVD 的认识和防控措施。