基于可解释人工智能的帕金森病全因死亡率预测模型：利用行政医疗数据揭示风险因素

本研究针对帕金森病（PD）患者死亡率预测的复杂性问题，利用韩国国民健康保险服务（NHIS）数据，构建可解释人工智能（XAI）模型。通过XGBoost算法实现10年死亡率预测AUROC 0.836的高精度，揭示年龄、肺炎、痴呆等关键风险因素，并首次提出BMI>25可能降低死亡风险的阈值。该研究为PD个体化风险管理提供新工具，发表于《npj Parkinson's Disease》。

　　

帕金森病（Parkinson's disease, PD）作为仅次于阿尔茨海默病的第二大神经退行性疾病，正随着全球老龄化加剧成为重大公共卫生挑战。尽管已知PD患者死亡率较普通人群高2-3倍，但传统研究多聚焦于运动症状等PD特异性因素，忽视了老年患者常伴随的复杂共病网络对预后的影响。更棘手的是，现有预测模型如同"黑箱"，临床医生难以理解其决策逻辑——这正是韩国延世大学研究团队开展这项创新研究的出发点。

研究团队利用韩国NHIS数据库中36,480例PD患者的165项特征（包括人口统计学指标、实验室检查和150种共病），构建了7种机器学习模型。通过5折交叉验证和自举采样处理数据不平衡问题，最终确定XGBoost模型性能最优。采用SHapley Additive exPlanations（SHAP）方法实现模型可解释性，首次在PD领域实现死亡率预测与风险因素解释的双重突破。

参与者特征
死亡组与非死亡组比较显示，死亡患者平均年龄高7岁（73.42±7.48 vs 66.42±9.45），男性比例更高（50.9% vs 35.39%）。BMI、血红蛋白（Hb）和总胆固醇水平显著降低，而空腹血糖和血压升高。共病分析发现43种疾病（如肺炎、阿尔茨海默病（AD）、缺血性脑梗死）与死亡率显著相关。

AI模型性能评估
包含150种共病的Model 3表现最佳，XGBoost的10年和5年死亡率预测AUROC分别达0.836（95%CI 0.827-0.845）和0.894（95%CI 0.886-0.902），显著优于梯度提升模型（p<0.01）。这表明全面纳入医疗数据可大幅提升预测准确性。

可解释性分析
SHAP分析揭示：

1. 年龄是最强预测因子，70岁以上患者性别影响更显著
2. 肺炎是第三大风险因素，印证其作为PD主要死因的临床认知
3. 脑部疾病（AD、脑梗死、创伤性脑损伤）对10年死亡率影响更突出
4. 血脂异常显示保护性关联，而BMI>25时死亡风险下降
5. 实验室指标存在最优区间：Hb≈15 g/dL、空腹血糖≈100 mg/dL时风险最低

个体化预测应用
通过SHAP力图示，研究展示三个典型案例：

• 患者A：尽管女性性别有利，但痴呆使预测死亡率达79%
• 患者B：57岁男性虽有脑梗死，但无肺炎/AD使生存概率达82%
• 患者C：高龄+肺炎+AD+男性导致91%死亡风险

讨论与意义
这项研究突破性地证明，利用常规医疗数据即可构建高精度的PD死亡率预测模型。XAI技术不仅破解了"算法黑箱"，还发现若干未被充分认识的关联：如胃食管反流等"小病"可能反映医疗接触频率而具保护性；血脂管理（而非单纯胆固醇水平）可能改善预后。提出的BMI阈值（25 kg/m²）和Hb目标值（15 g/dL）为临床干预提供量化参考。

局限性在于缺乏PD特异性症状数据，且结论需在其他医疗体系中验证。未来整合运动症状评分和生物标志物可进一步提升模型性能。该研究发表于《npj Parkinson's Disease》，为PD精准医疗树立新标杆——既提供个体化风险评估工具，又通过可解释分析揭示潜在干预靶点，实现从预测到预防的跨越。