【欢迎阅读浙中大郑老师撰写的统计科普文】
看了这么多基于机器学习构建预测模型的文章，相信大家现在对SHAP法已经不再陌生。
老郑最近又看到一篇有意思的文章，在常规logistic回归构建预测模型的基础上，进一步用SHAP法解释预测因子的重要性，让我们一起来看看他们是怎么做的！
原文阅读
2025年1月，顶级期刊Lancet子刊《eClinicalMedicine》（医学一区top，IF=9.6）发表了一篇题为：“The impact of war on people with type 2 diabetes in Ukraine: a survey study”的研究论文，研究团队旨在通过logistic回归和机器学习工具评估内在因素和战争相关因素对乌克兰2型糖尿病（T2D）患者的影响。
研究结果表明，战争对乌克兰T2D患者的健康产生了显著的负面影响，特别是在血糖控制方面。
(如果你需要全文，在医学论文与统计分析微信公众号后台回复关键词“pdf”。如果你对预测模型感兴趣，来看看我们的临床预测模型服务吧，一对一指导！详情可咨询助教，微信号：aq566665)
在该研究中，数据收集工作于2022年6月至2024年2月间进行，覆盖了乌克兰持续两年的战争期。
通过计算战前与调查时HbA1c水平的差异（Δ值），并根据HbA1c变化幅度将所有受访者分为进展者（HbA1c水平较初始值增加超过5%）和稳定者（HbA1c水平稳定）两组，以全面评估各种因素对血糖控制的影响。
√单变量logistic回归评估影响因素
研究团队首先使用了单变量logistic回归分析来评估每个潜在影响因素与T2D进展之间的关联。
研究结果表明，战争相关因素显著影响了T2D患者的健康状况。具体体现在：
军事行动、占领时长、国内流离失所和家庭成员受伤或死亡的经历增加了T2D患者HbA1c水平；
缺乏定期血糖监测、内分泌学家咨询、不合理的饮食和缺乏体力活动也导致了T2D患者病程的恶化。
√多变量logistic回归构建预测模型
在进行构建多变量logistic回归模型之前，研究团队首先使用逐步回归（纳入标准为p< 0. 1，p >0. 2的变量被排除）筛选影响因素。
最终，研究团队纳入四个主要影响因素（HbA 1c的初始水平、战争相关因素暴露的持续时间、超过1个月的占领和缺乏定期血糖监测）用于构建多变量logistic回归预测模型。
该预测模型的卡方值为112.4（p < 0.001），AUC为0.69 (95% CІ 0.66–0.72)，表明上述的影响因素对T2D进展风险的影响令人满意。
同时，研究团队在根据约登指数（判别标准>0.464）选择模型阈值时，敏感性为85.4% (95% CI 82.1% ~ 88.4%)，特异性为45.4% （95% CI 40.6% ~ 50.3%）。
老郑有话说：AUC小于0.70还能说满意？让我们具体情况具体分析。
卡方值为112.4（p < 0.001），表明模型整体上是显著有效的。这说明模型在区分T2D进展和非进展患者方面具有统计学上的显著性。
虽然AUC为0.69确实不算非常强的区分能力，但在特定的应用场景下，特别是考虑到其高敏感性和对早期筛查的重要性，这个模型仍然可以被认为是具有一定实用价值的。
它为后续研究和改进提供了一个基础，并在当前背景下展示了合理的预测性能。
机器学习构建预测模型
√特征筛选
基于单变量和多变量逻辑回归的结果，初步筛选了对T2D（2型糖尿病）进展有显著影响的因素作为模型输入特征。
这些因素包括：初始HbA1c水平、BMI（及体重）、患者年龄、战争相关因素暴露持续时间、T2D持续时间、血糖监测情况，以及区域、战争相关经历（涵盖占领时长、家庭受影响情况和流离失所）。
在模型训练前，为确保特征间的可比性和模型稳定性，首先对连续变量（年龄、BMI、HbA1c）进行了分位数变换的归一化处理。
√模型构建
为进行模型训练和交叉验证，研究团队选择了H2O.ai的autoML库，用该库训练并交叉验证了多种算法，包括：梯度提升机（GBM）、极端梯度提升（XGBoost）、广义线性模型、极度随机树、分布式随机森林和深度学习。
√模型性能评估
经过10折交叉验证和AUC值评估，最终确定GBM模型表现最佳，在验证集中AUC达到0.69。
√模型可解释性
使用SHAP法生成条形图和蜂群图可视化特征的重要性及其对模型输出的影响。
综上所述，基于对乌克兰所有地区的调查，研究团队得出战争对糖尿病患者健康有显著的负面影响。其中，战争相关经历（涵盖占领时长、家庭受影响情况和流离失所）、无法监测血糖、不合理的饮食和缺乏体力活动以及缺少内分泌学家支持是T2D病程恶化的最重要因素。
【感谢阅读浙中大郑老师团队撰写的统计文章】
