没有最好，只有更好！制度有不断完善的过程，医学研究也一样，不论是诊断还是治疗，都在不断追求更精准！伴随着科技的发展，精准医疗加快了步伐！今天，馆长想谈的是机器学习（ML），这一人工智能（AI）的重要分支，已越来越广泛的加入了医学研究，助力更多临床决策和管理！
接下来，馆长分享一篇来自Cardiovascular Diabetology（IF：8.5）上的研究，该文改进了心血管不良事件（MACE）的预测和风险分层，如何做到呢？ML又发挥了什么作用？一起看看~
在思路上，该研究通过将传统的危险因素与生化和代谢组学生物标志物相结合，以提高主要心血管不良事件（MACE）的预测和风险分层。这样的思路，适用于大多数疾病预测的改进方案，毕竟大数据能更精准！也很适用于发文，临床相关且意义重大！心动的朋友，快快行动起来吧！
在技术上，该研究通过Cox比例风险模型和机器学习技术（特别是SHapley加性解释（SHAP））评估这些组合生物标志物的预测性能，以确定最重要的预测因子及其最佳阈值。机器学习能从大量临床数据中提取关键信息，提高预测的准确性和稳定性！SHAP提高了模型的可解释性，利于临床医生理解和应用！
PS：“机器学习+SHAP ”在临床科研中的应用已越来越多，感兴趣的朋友，赶快行动起来吧！没有思路？技术不精？欢迎找馆长帮忙！我们团队提供1V1专属方案定制项目，不论是创新思路设计，还是定制个性化生信分析，你所需要的我们都有，欢迎来询~
题目：
使用可解释的机器学习方法结合血浆生物标志物和传统危险因素，改进主要不良心血管事件的预测和风险分层
杂志：Cardiovascular Diabetology
影响因子：8.5
发表时间：2025年4月
DOI: 10.1186/s12933-025-02711-x
研究背景
心血管疾病（CVD）仍然是世界范围内死亡和残疾的主要原因，CVD的有效预防和管理取决于准确的预测和风险分层。虽然基于临床和人口因素的传统风险预测模型在临床实践中被广泛采用，但往往忽视了在CVD发病机制中起关键作用的新兴生物标志物。本研究通过整合临床生化标志物、基于核磁共振的代谢组学数据和传统的心血管疾病危险因素，旨在增强对主要心血管不良事件（MACE）的预测。
数据来源
基线时无MACE参与者的数据来自英国生物样本库（UKB）。
研究思路
首先，采用受试者工作特征曲线下面积（AUC）、最小联合互信息最大化法（JMIM）和相关性分析筛选生物标志物。其次，采用Cox比例风险模型评估传统危险因素与生物标志物联合的预测效能。接着，利用CatBoost和SHAP确定了最佳二元阈值，从而计算了每位参与者的生物标志物风险评分（BRS）。最后，采用多变量Cox模型评估各相关生物标志物和BRS与新发终点事件的关联。
主要结果
与传统模型相比，PANEL+ All Biochemistry+Cor0.95 of Nonov Met组合模型在所有终点均显示出显著改善的区分性能，整合模型在预测心血管疾病相关死亡时的C-index值最高（0.822）。新发MACE的主要预测因子包括Cystatin C、HbA1c、GlycA和GGT，而IGF-1和DHA具有潜在的保护作用。BRS将个体分为低危组、中危组和高危组，其中对CVD死亡的影响最强，与低危组相比，高危组的相对危险度为2.76。
图1 联合生物标志物在心血管风险分层中的优越性能
图2 SHAP分析揭示了影响MACE预测的关键因素
图3 Cox比例风险模型确定了与新发MACE及其组分相关的关键生物标志物
图4 升高的生物标志物及其与新发MACE和心血管结局的关系
图5 使用基线风险指数和生物标志物风险评分加强心血管风险分层
文章小结
该研究结果显示，整合传统的危险因素和生物标志物可以改善新发主要心血管不良事件（MACE）的预测和风险分层，生物标志物风险评分（BRS）有望成为识别高危人群的工具，具有支持个性化心血管疾病预防和管理策略的潜力！看完这篇研究，有没有觉得这个思路完全可以应用于自己的临床科研？但就是技术门槛较高！别担心，馆长可以帮到您！我们有专业的硕博团队，更有十余年生信经验！如需“机器学习+SHAP”指导，欢迎来询~
馆长会持续为大家带来最新生信思路，也可以提供特色数据库构建、思路评估、生信分析等服务，对数据库构建和生信分析感兴趣的朋友可以咨询馆长哦！
