心血管疾病（CVD）已成为全球首要的致死原因。而环境污染物，尤其是挥发性有机化合物（VOCs），也被确定为其重要的风险因素。
然而，在先前的研究中发现，除了依赖特定的环境检测手段来获取VOCs数据外，还可通过检测尿液中的VOCs代谢产物，分析VOCs暴露对人体健康的具体影响。
2024年11月1日，中国学者用NHANES数据库，在期刊《Ecotoxicology and Environmental Safety》（环境科学与生态学top二区，IF=6.2）发表题为：“Identifying cardiovascular disease risk in the U.S. population using environmental volatile organic compounds exposure: A machine learning predictive model based on the SHAP methodology”的研究论文，旨在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VOCs组成的数据来预测CVD发生风险。
研究结果表明，在6种ML预测模型中，RF模型预测性能最佳，其中年龄和ATCA（尿液VOC代谢组分）是预测CVD风险的最重要因素。此外，ATCA在老年人和高血压患者中的保护作用最为显著。
（在公共数据库与孟德尔随机化微信公众号后台回复“ 原文”即可获得文献PDF等资料。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！如感兴趣请联系郑老师团队，微信号：aq566665）
研究团队基于美国国家健康与营养调查（NHANES）数据库2011~2018年的数据，经过纳排，最终纳入了5,098名参与者，其中515名为CVD患者。同时，研究团队进一步将数据集分为70%训练集（n =3568）和30%验证集（n =1530），并通过15项尿代谢物指标评估VOCs的暴露情况。
主要研究流程：
✅模型构建
研究团队基于数据集，开发了6种ML模型构建CVD风险预测模型。
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）。
✅模型评估
研究团队使用一系列指标评价模型的预测性能，并通过SHAP算法阐明具有最佳性能的模型。
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）。
机器学习联合NHANES预测疾病风险
ROC曲线的结果表明，在6种ML预测模型中，RF模型的预测性能最好，其AUROC达到了0.8143，表明模型具有优秀的预测能力。
图2 6个ML模型的ROC曲线
(A)测试集；(B)验证集
团队进一步使用SHAP法，评估RF模型中每个特征变量的重要性及其在模型预测中的贡献。结果表明，年龄和ATCA在其中发挥重要作用，具体如下：
年龄是所有变量中最重要的，同时也是CVD风险的重要危险因素。这意味着，随着年龄的增长，发生CVD的风险增加。
在mVOCs组分中，最重要的是ATCA，其重要性仅次于年龄。同时，较高的ATCA水平与CVD风险降低相关，尤其是在高血压患者和老年人中。
图3 RF模型的SHAP图
(A)变量的SHAP值排序；(B)SHAP蜂窝图；(C)连续变量的SHAP值变化趋势图；（D）分类变量的SHAP值的箱形图。
图4 ATCA的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，研究团队认为，RF模型具有优秀的预测CVD风险的能力。因此，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。
