最近多关注机器学习的文章，感觉多种机器学习+SHAP加什么乱七八糟技术一上，文章就高大上，就很有意义一样。

纯玩数据的关联性，不讲究实际意义， 这也不太好。

看到一篇文章Ecotoxicology and Environmental Safety （环境科学与生态学二区top，IF=6.2）的研究论文，旨在使用NHANES数据库开发一个可解释的机器学习（ML）模型，并使用基本人口统计数据和挥发性有机化合物（VOCs）组成数据来预测心血管疾病（CVD）发生风险。

此外，进一步使用SHAP法计算每个变量对预测的贡献，用于解释最终模型的输出。

如果你需要全文，请在医学论文与统计分析公众号后台回复关键词“pdf”。如果你对预测模型感兴趣，不妨看看我们的机器学习构建临床预测模型课程！详情可咨询助教，微信号：aq566665

心血管疾病（CVD）已成为全球最主要的死亡原因。而环境污染物，特别是挥发性有机化合物（VOCs），也被确定为重要的风险因素。

然而，在先前的研究中发现，除了特定的环境检测获得VOCs数据外，还可通过VOCs的尿液代谢产物数据，分析VOCs暴露对人体健康的具体影响。

在本研究中，研究团队纳入了NHANES 2011-2018数据库中5,098名参与者（包括515例CVD患者和4583例对照）。通过15项尿代谢物指标评估VOCs的暴露情况。研究者将数据集分成训练集（70%）和测试集（30%），并基于6种ML模型构建CVD风险预测模型。

图1 研究流程

模型开发与验证

√变量筛选

数据集被分为70%训练集（n =3568）和30%验证集（n =1530），用于开发并验证风险预测模型。

由于复杂的高维数据会影响ML算法的性能，因此，在构建ML模型之前，首先使用Boruta算法，在训练集中识别预测模型所需要的关键因素。

• Boruta算法作为一种基于随机森林分类算法的包装器算法，经过多次实时迭代后能够使重要变量更加清晰，其过滤结果比传统特征选择方法更可靠。

• 最终得到了21个预测因素，用于训练和构建ML模型（包括高血压、年龄、SBP、DBP、性别、PIR、BMI、T2 MHA、T34_MHA、AAMA、AMCC、ATCA、SBMA、CEMA、T3 HPMA、CYMA、DHBMA、T2 HPMA、MHBMA 3、PGA、MA和HMPMA）。

在完成变量选择后，使用合成少数过采样技术（SMOTE）预处理算法来实现训练集中CVD和非CVD人群之间的样本平衡

√ML预测模型构建

在训练集的基础上，总共使用了六种ML方法进行模型构建。

• 包括随机森林（RF），光梯度提升机（LightGBM），决策树（DT），极端梯度提升（XGBoost），多层感知器（MLP）和支持向量机（SVM）。

每个模型都有独特的优点。并对每个ML模型进行超参数调优和五重交叉验证，以确保模型的最佳性能和可靠性。

√模型验证

在模型验证中，使用一系列指标评价模型的预测性能。

• 包括ROC曲线下面积（AUROC）、准确度、平衡准确度、F1评分、J指数、kappa、Matthew相关系数（MCC）、阳性预测值（PPV）、阴性预测值（NPV）、灵敏度（sens）、特异度（spec）。

• AUROC的范围为0.5至1.0，AUROC在该范围内越大，预测能力越好。

√模型可解释性

使用SHAP算法阐明具有最佳性能的模型，该算法为每个变量分配了相应的属性值（SHAP值），可定量测量每个特征对预测准确性的影响。

• 为了可视化每个特征对模型的贡献，生成了SHAP摘要图；

• 此外，SHAP依赖图用于检验特征之间的相互作用。

本研究中，统计学显著性设定为P<0.05（双尾），所有分析均使用R 4.3.0和Python 3.9.0进行。

RF模型预测性能最好

研究结果表明，在6种ML预测模型中，RF模型的预测性能最好。

• 在测试集上，RF模型具有最好的预测性能和模型拟合，AUROC达到了0.8143 (95% CI: 0.7789-0.8497)，代表了模型优秀的预测能力。

图2 6个ML模型的测试集和验证集中的ROC曲线

(A)测试集的ROC曲线；(B)验证集的ROC曲线

因此，在后续分析中，对最佳模型（RF）的可解释性分析是研究的重中之重。

SHAP分析发现年龄是所有变量中最重要的，具有最大的SHAP值，是心血管疾病风险的重要危险因素。

其次，最重要的mVOCs组分是ATCA，仅次于年龄，对CVD的发展具有保护作用。

• 具体而言，随着年龄的增长，发生CVD的风险增加；

• 而较高的ATCA水平则与CVD风险降低相关，特别是在高血压患者和老年人中。

图3 RF模型的SHAP图

(A)模型中变量的SHAP值排序；(B)RF模型的SHAP蜂窝图；(C)RF模型中连续变量的SHAP值变化趋势图；（D）RF模型中分类变量的SHAP值的箱形图。

图4 ATCA的相互作用效果图（SHAP依赖图）

(A)ATCA与高血压的交互作用图；(B)ATCA与年龄的交互效应图

综上所述，在6种ML预测模型中，RF模型预测性能最佳。此外，SHAP分析发现，年龄和ATCA（尿液VOC代谢组分）是最重要的预测因素，且ATCA是CVD的保护因素，特别在老年人和高血压患者中保护作用最为显著。

研究团队认为，将基本人口统计数据与VOCs暴露相结合的模型，在预测未来疾病风险方面具有巨大的潜力。

闲来郑语

你们看他们的技术够时髦吧？俺都不会！

Boruta算法，

SHAP算法

合成少数过采样技术（SMOTE）预处理算法

六种ML方法

.......

但是你要知道，NAHNES数据是横截面调查，心血管病的结局，可能患者已经几十年前就有心血管病了，而什么尿液血样的什么VOCs暴露都可是现采现分析，用他们来预测心血管病，靠谱不？

我这里面还找到了一些有意思的指标，它21个预测因素，用于训练和构建ML模型（包括高血压、年龄、SBP、DBP、性别、PIR、BMI、T2 MHA、T34_MHA、AAMA、AMCC、AT。。）。“我看到了SBP和DBP，收缩压和舒张压，可能我顾弱寡闻，最后这两个高度相关性的东西凑在一起了。似乎也不太合适。

我觉得吧，建模就得有目的，你要预测心血管病发生，病例对照的研究设计总的要吧，当然前瞻性设计更好。Nhanes数据可以做预测，它有死亡的数据。

方法要为正确的设计方案服务，否则就玩偏了.

不过话说回来，现在写文章好像也不太关注什么实际意义，尤其NHANES的文章。这篇文章还真的分析得非常不错，值得大家学习！！！

我也学习了！

在医学论文与统计分析公众号后台回复关键词“pdf”，即可获取原文！更多关于临床预测模型与机器学习统计服务，请联系郑老师团队，助教微信：aq566665。