在慢性心力衰竭患者中基于生物标志物的抑郁风险预测:可解释的机器学习方法
Yuxuan Tao1, Chenglong Yao1, Runjia Liu1
1Guang'anmen Hospital, China Academy of Chinese Medical Sciences, Beijing, China.
Frontiers in endocrinology
|December 29, 2025
概括
阿波蛋白B (ApoB) 和甘油三糖糖 (gTyG) 指数有效预测慢性心力衰竭 (CHF) 患者的抑郁风险. 机器学习模型,特别是随机森林模型,对于早期风险分层和干预具有很高的准确性.
科学领域:
- 心脏病学 心脏病学
- 精神病学是一个精神病学.
- 生物标志物发现发现
背景情况:
- 抑郁症使慢性心力衰竭 (CHF) 复杂化,预后恶化,并保持低诊断.
- 症状重叠和缺乏客观工具阻碍了CHF患者的抑郁症查.
- 脂质代谢,胰岛素耐药性和炎症的生物标志物都与这两种疾病有关,但它们对心脏不全症的精神病结果的预测价值尚不清楚.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测CHF患者的抑郁风险.
- 利用临床和生物标志物数据进行准确的抑郁风险评估.
- 在CHF人群中确定抑郁症的关键生物标志物.
主要方法:
- 追溯招募了3110名心血管疾病患者.
- 收集人口统计,临床和实验室数据,包括阿波利波蛋白B (ApoB) 和甘油三甘-葡萄糖 (gTyG) 指数.
- 开发和评估八个ML算法,使用SHapley添加式扩展 (SHAP) 评估可解释性.
主要成果:
- 37.3%的CHF患者患有并发性抑郁症.
- 升高的ApoB和gTyG指数与抑郁风险有很强的相关性 (P<0.001).
- 随机森林 (RF) 模型表现出高预测性能 (AUC 0.933),其中ApoB和gTyG是关键预测因素.
结论:
- ApoB和gTyG指数是预测CHF患者抑郁症的强大的生物标志物.
- 射频模型为早期风险分层提供了高预测准确度和可解释性.
- 将这些生物标志物纳入临床实践可以改善CHF患者的抑郁症识别和治疗.
