偏头痛作为全球第二大神经系统致残疾病，现有研究多依赖流行病学关联，难以区分风险因素的因果性与混杂干扰。更关键的是，缺乏整合多维度数据的预测工具，导致个体化干预难以落地。
2025年5月6日，安徽医科大学潘海峰团队通过孟德尔随机化＋机器学习＋SHAP法，数据源于公共数据库（GBD＋NAHNES），在期刊《Journal of Headache And Pain》（医学top一区，IF=7.3）发表题为:“Unveiling new insights into migraine risk stratification using machine learning models of adjustable risk factors”的研究论文。
研究团队通过整合因果推断、机器学习和负担预测，系统揭示代谢、心血管及心理因素对偏头痛的因果影响，构建高精度风险预测模型，并量化未来疾病负担。
本研究采用三步框架进行研究：
首先，研究通过两样本孟德尔随机化（MR）评估代谢、身体成分、心血管、行为和心理五大领域风险因素与偏头痛的因果关联；
数据来源：GWAS数据库及英国生物银行
其次，研究利用集成机器学习模型（如随机森林、支持向量机等）构建个体化风险预测工具，结合SHAP值解释特征重要性；
数据来源：美国国家健康与营养调查（NHANES 1999-2004年）
最后，通过贝叶斯年龄-时期-队列模型（BAPC）预测2050年偏头痛的发病率、患病率和伤残调整生命年（DALYs），评估区域特异性负担趋势。
数据来源：全球疾病负担（GBD）数据库
图1 研究梗概
主要研究结果
与先前的观察性证据不同，MR 分析确定了多种可改变的危险因素与偏头痛风险之间存在显著的因果关联。
其中，2型糖尿病（T2DM），肥胖2级、超重、BMI、髋围（HC）和心肌梗死与偏头痛风险呈负相关；而心理因素——“感到痛苦”，则显著增加风险。
图2 可改变的危险因素与偏头痛的因果关联
基于Boruta算法，研究筛选了5个关键预测因子：BMI 、 HC 、腰围（WC）、性别和收缩压（SBP）。其中，性别是最主要的风险因素。
同时，根据已确定的流行病学证据纳入了年龄。
基于上述变量，研究团队开发和验证了八个机器学习模型，结果显示，随机森林模型预测偏头痛风险的性能最佳（AUC=0.927）。
图3 综合的机器学习框架
此外，研究团队基于GBD数据，进一步预测了2050年偏头痛的全球疾病负担。
结果发现，尽管2050年偏头痛的发病率预计下降25.5%（至858.45/10万），但其患病率和DALYs仍居高不下，凸显了及时干预以最大限度地提高健康收益的紧迫性。
图4 基于BAPC模型评估，到2050年的全球测绘的潜在健康效益和偏头痛负担
综上所述，研究建立了可调节偏头痛决定因素的分层证据，并将研究结果转化为可扩展的预防框架，为偏头痛预防提供了一个协调因果推断、个体化风险预测和全球负担映射的三方框架。
-gqWJ.jfif)
-PCZZ.jfif)
-DCBQ.jfif)
