基于心腦血管疾病發病風險預測的CatBoost 算法和貝葉斯網絡模型分析

［摘 要］ 目的：篩選影響心腦血管疾病發病的主要特征變量，基于排序前10位的特征變量構建心腦血管疾病發病風險貝葉斯網絡模型，為心腦血管疾病發病風險預測提供參考。方法：從英國生物樣本（UK Biobank） 數據庫中納入315 896 例參與者和相關變量，通過類別型特征提升（CatBoost） 算法進行特征選擇， 將所有參與者按7∶ 3 比例隨機分為訓練集和測試集， 并基于最大最小爬山（MMHC） 算法構建貝葉斯網絡模型。結果：本研究中人群心腦血管疾病患病率為28. 8%。CatBoost算法篩選的排名前10 位變量分別為年齡、體質量指數（BMI）、低密度脂蛋白膽固醇（LDL-C）、總膽固醇（TC）、甘油三酯-葡萄糖（TyG） 指數、家族史、載脂蛋白A/B 比值、高密度脂蛋白膽固醇（HDL-C）、吸煙狀態和性別。CatBoost 訓練集模型受試者工作特征（ROC） 曲線下面積（AUC） 為0. 770，模型準確性為0. 764；驗證集模型AUC 為0. 759，模型準確性為0. 763。臨床效能分析，訓練集閾值范圍為0. 06～0. 85，驗證集閾值范圍為0. 09～0. 81。心腦血管疾病發病風險貝葉斯網絡模型分析，年齡、性別、吸煙狀態、家族史、BMI 和載脂蛋白A/B 比值與心腦血管疾病直接相關，是心腦血管疾病發生的重要風險因素，TyG 指數、HDL-C、LDL-C 和TC 通過影響BMI 和載脂蛋白A/B 比值間接影響心腦血管疾病的發生風險。結論：控制BMI、載脂蛋白A/B比值和吸煙行為，可以降低心腦血管疾病的發病風險。貝葉斯網絡模型可用于預測心腦血管疾病發病風險。

［關鍵詞］ 心腦血管疾病； CatBoost 算法； 貝葉斯網絡； 風險推理

［中圖分類號］ R54; R743 ［文獻標志碼］ A

心腦血管疾病是造成全球人口死亡和殘疾的主要疾病之一［1-2］。相關研究［3-7］ 顯示： 全球心腦血管疾病死亡占總死亡的 32. 8%， 1990—2019 年患病人數約增加2. 52 億人， 且預計心腦血管疾病在未來幾十年內會增加2 倍，預計到2030 年其治療費用將增加至10 440 億美元。心腦血管疾病具有高發病率和高致死率等特點［8］，因此對其進行早期發病風險預測研究具有重要意義。

目前有關心腦血管疾病發病風險預測研究多采用Cox 比例風險模型、Logistic 回歸模型、決策樹和支持向量機等機器學習模型［9-13］。但上述傳統的預測模型需要假設變量之間相互對立且只能基于完整數據集來預測，不適合變量之間存在復雜關系或存在缺失數據的研究。貝葉斯網絡是一種靈活的建模工具， 不僅能處理變量間的復雜關系和缺失數據，而且該模型的結構和參數學習可直觀展示變量之間的因果關系和相關程度［14］。目前將貝葉斯網絡用于心腦血管疾病早期風險預測的研究較少。本研究擬基于英國生物樣本（UK Biobank） 數據庫，采用類別型特征提升 （categorical boosting，CatBoost） 算法結合貝葉斯網絡的方式構建心腦血管疾病發病風險預測模型，進而直觀表達和展示心腦血管疾病發病風險和各變量間的關系及相關程度，為心腦血管疾病的早期風險預測和復雜病因研究提供參考。

1 資料與方法

1. 1 資料來源

本研究數據來源于UK Biobank數據庫，已獲得批準的項目編號為78500。該數據庫在2006—2010 年招募約50 萬名年齡40～69 歲的志愿者，并持續追訪，是目前全球最大的前瞻性研究數據庫［15-16］。本研究的納入和排除標準：①選擇參與并回答“醫生診斷的血管/心臟問題”的研究對象； ②納入可能與心腦血管疾病發生相關的16 個變量，包括年齡、性別、血液生化檢查、心腦血管疾病家族史、飲食習慣、吸煙和飲酒狀態等；③排除因不愿回答或未參與問卷調查的志愿者。本研究最終納入315 896 例研究對象。

1. 2 數據預處理

為構建離散化貝葉斯網絡，本研究對納入的連續性變量進行了離散化處理。所有研究對象按照年齡分為4 組，分別為lt;45 歲、45～54 歲、55～64 歲和≥65 歲組； 根據世界衛生組織關于肥胖定義標準［17］ 按照體質量指數（bodymass index， BMI） 分 為 4 組， 分 別 為 偏 瘦（lt;18. 5 kg·m-2）、正常（18. 5～24. 9 kg·m-2）、超重（25～29. 9 kg·m-2） 和肥胖（ ≥30 kg·m-2） 組；《2019 歐洲心臟病學會（European Society ofCardiology，ESC） /歐洲動脈硬化學會（EuropeanAtherosclerosis Society， EAS） 血脂異常管理指南》［18］ 指出，血脂4 項在不同風險下參考值范圍不同，故本研究中總膽固醇（total cholesterol，TC）、低密度脂蛋白膽固醇（low-density lipoproteincholesterol， LDL-C）、高密度脂蛋白膽固醇（high-density lipoprotein cholesterol， HDL-C）、載脂蛋白A/B 比值和甘油三酯-葡萄糖（triglycerideglucose，TyG） 指數按照四分位數分別分為4 組［19］；納入研究的飲食變量參考英國國家醫療服務體系（National Health Service， NHS） 指南［20］和CHUDASAMA 等［21］ 關于壽命期望的研究將研究對象均分為2 組，分別為每日蔬菜水果攝入是否滿足5 份及以上（是或否） 組、紅肉是否每周2 次及以上（是或否） 和油性魚是否每周1 次及以上（是或否）。其他變量均采用UK Biobank 數據庫的編碼分類。各變量賦值情況見表1。

1. 3 CatBoost模型分析

CatBoost算法是一種強大的機器學習算法， 可用于分類和回歸任務［22］，其原理是基于梯度提升決策樹（gradient boostingdecision tree， GBDT） 的思想， 即通過迭代訓練多個弱學習器（決策樹），然后將其組合成一個強學習器，其中每一棵樹都試圖糾正前一棵樹的預測錯誤，進而提高模型的預測精度［23-24］。在CatBoost模型構建中， 將研究對象按7∶ 3 比例隨機分為訓練集和測試集。訓練集構建CatBoost 模型， 其最優參數基于網格搜索法［25］ 選擇，模型參數設置如下： loss_function=MultiClass， eval_metric=WKappa，od_type=Iter，early_stopping_rounds=500。Catboost模型的預測性能通過受試者工作特征（receiveroperating characteristic， ROC） 曲線和混淆矩陣熱圖評價。Catboost 模型的臨床效用通過決策曲線分析（decision curve analysis，DCA） 法評價［26］，DCA曲線通常包含2 條參考線，分別表示所有樣本均預測為陰性或陽性的極端情況。模型DCA 曲線高于2 條參考線范圍越大則模型的臨床效用越好［27］。

1. 4 貝葉斯網絡分析

貝葉斯網絡又稱因果網絡，可探究各節點之間的因果關系，即在已知某些節點發生的情況下，可對未知節點發生狀態進行推斷。貝葉斯網絡通過概率圖模型探索變量之間的不確定性關系，其中概率圖模型由一組變量和之間的概率關系組成，結構是一個有向無環圖（directed acyclicgraph，DAG），其中節點表示隨機變量，節點之間的有向弧表示變量間的條件依賴關系［28］，節點方框中的數值代表各節點的先驗概率［29］。

1. 5 統 計 學 分 析

采 用 R 4. 2. 3 統 計 軟 件 和Python 3. 11 統計軟件進行統計學分析。心腦血管疾病組和非心腦血管疾病組研究對象臨床資料組間比較采用χ2 檢驗， 檢驗水準為α =0. 05。采用Python 3. 11 統計軟件中catboost 包構建 CatBoost模型， 通過網格搜索法進行參數調優。 模型的ROC 曲線通過sklear 包繪制， 混淆矩陣熱圖采用seaborn 包繪制， DCA 曲線采用matplotlib 包繪制。通過R 4. 2. 3 統計軟件中的bnlearn 包以最大最小爬山（max-min hill-climbing， MMHC） 算法實現貝葉斯網絡的結構學習，并采用Netica 軟件可視化貝葉斯網絡和條件概率。

2 結 果

2. 1 研 究 對 象 的 一 般 情 況

本 探 究 共 納 入315 896 例研究對象， 其中男性150 940 例， 女性164 956 例， 平均年齡56. 3 歲， 其中234 293 例有心腦血管疾病家族史， 90 818 例患有心腦血管疾病。本研究對非心腦血管疾病組和心腦血管疾病組研究對象的基本情況進行比較分析，除蔬菜/水果攝入量之外，其余各變量與心腦血管疾病均有關聯（Plt;0. 01）。見表2。

2. 2 CatBoost 模 型 參 數 調 優 結 果

采 用Python 軟件sklearn 包中的GridSearchCV 函數進行超參數尋優， 結果見圖1。當樹深（depth） 為6，最大迭代次數（iterations） 為800 時，對應得分最高，此時CatBoost 模型的性能最佳。

2. 3 基于CatBoost模型的心腦血管疾病發病風險重要變量篩選

本研究基于訓練集數據，通過最優CatBoost 模型對心腦血管疾病影響因素進行篩選，結果見圖2。模型特征重要性排序前10 位篩選變量分別為年齡（22. 40）、BMI （15. 20）、LDL-C （8. 84）、TC （8. 55）、 TyG 指數（7. 99）、 家族史（6. 65）、載脂蛋白A/B 比值（4. 08）、HDL-C （4. 02）、吸煙狀態（3. 80） 和性別（3. 64）。

2. 4 心腦血管疾病發病風險 CatBoost 模型評價

本研究分別基于訓練數據集和驗證數據集，以前述步驟篩選的排序前10 位變量為參數變量， 分別構建 CatBoost 模型，并繪制模型的 ROC 曲線、混淆矩陣熱圖和DCA 曲線，見圖3 和4。訓練集模型的ROC 曲線下面積（area under curve， AUC）為0. 770，模型準確性為0. 764；驗證集模型AUC為0. 759， 模型準確性為0. 763， 由此可知基于CatBoost 算法篩選的排序前10 位變量構建的模型其預測準確度較高。臨床效能分析結果顯示：訓練集和驗證集的DCA 曲線均具有較寬的凈收益取值范圍，訓練閾值范圍約為0. 06～0. 85，驗證集閾值范圍約為0. 09～0. 81， 模型具有較好的臨床實用性。

2. 5 心腦血管疾病發病風險貝葉斯網絡模型構建

本研究采用MMHC 算法和極大似然估計法，以CatBoost 模型篩選的特征重要性排序前10 位的變量為參數變量，構建心腦血管疾病發病風險貝葉斯網絡模型（圖5）。圖5 中節點方框的數值代表各節點的先驗概率，如心腦血管疾病的患病對應數值為28. 8， 表示患心腦血管疾病者在總研究人群中所占比例為 28. 8%，為該節點的先驗概率。年齡、家族史、性別、吸煙狀態、載脂蛋白A/B 和BMI為心腦血管疾病的父節點，直接影響心腦血管疾病的患病概率， TyG 指數、TC、HDL-C 和LDL-C通過影響BMI 和載脂蛋白A/B 比值進而間接影響心腦血管疾病患病概率。

在本研究中，當其他節點不設置先驗條件時，隨著年齡和載脂蛋白A/B 比值檢測值增加， 心腦血管疾病的患病風險也逐漸增加，男性和吸煙行為會增加心腦血管疾病的患病風險，有心腦血管疾病家族史的研究對象較無心腦血管疾病家族史的研究對象患病風險增加11. 7%， 偏瘦、超重和肥胖人群心腦血管疾病的患病風險均高于體質量正常的人群。

2. 6 不同個體心腦血管疾病貝葉斯網絡發病風險預測

貝葉斯網絡可通過有向弧和條件概率進行風險預測，即在已知某些節點發生的情況下，預測未知節點的狀態。假定某個體有家族史，可推測其患心腦血管疾病的患病風險為31. 9% （表3）； 年齡超過65 歲且具備家族史， 可推測心腦血管疾病的患病風險為47. 1% （圖6A）；在以上條件下，當個體BMI 正常、無吸煙行為且載脂蛋白A/B 比值lt;8. 31時，心腦血管疾病的患病風險為24. 5% （圖6B）。

3 討 論

本研究首先通過CatBoost 算法進行心腦血管疾病特征選擇， 并以CatBoost 模型中特征值排序前10 位的變量構建貝葉斯網絡模型， 結果顯示：CatBoost 算法確定的排序前10 位特征變量為年齡、BMI、LDL-C、TC、TyG 指數、家族史、載脂蛋白A/B 比值、HDL-C、吸煙狀態和性別； 在貝葉斯網絡模型結構中顯示：年齡、性別、吸煙狀態、家族史、BMI 和載脂蛋白A/B 比值與心腦血管疾病間存在有向弧，表示與心腦血管疾病直接相關，而TyG 指數、HDL-C、LDL-C 和TC 與心腦血管疾病為間接相關。

本研究中患心腦血管疾病的先驗概率為28. 8%，當某個體有家族史時，其心腦血管疾病的發病風險概率為31. 9%，風險提高了3. 1%；如果某個人年齡超過65 歲并且有心腦血管疾病家族史，則其心腦血管疾病的風險概率為47. 1%， 其患病風險大幅提高。本研究結果提示：具有心腦血管疾病家族史的人群隨著年齡的增加應及時體檢，進而做到心腦血管疾病的三早防治； 如果 BMI 正常、無吸煙行為且載脂蛋白A/B 比值lt;8. 31 時， 則其心腦血管疾病的風險概率為24. 5%， 提示平時可以通過飲食和體育鍛煉等方式控制BMI、載脂蛋白A 和載脂蛋白B 水平，減少吸煙，進而可降低心腦血管疾病的患病風險。

綜上所述，本研究構建的貝葉斯網絡可以直觀表達心腦血管疾病發病風險與各變量間的關系及相關程度，即使變量之間存在復雜關系或缺失醫學檢測數據， 仍可以通過已知變量進行心腦血管疾病發病風險推斷，本研究結果為心腦血管疾病的防控提供了一定的實踐依據。但本研究也存在一定的局限性：在構建心腦血管疾病貝葉斯網絡模型時，主要采用了橫斷面分類變量，構建的模型為靜態貝葉斯網絡模型，該模型未能反映各變量的縱向動態變化情況，后期在條件許可的情況下，可考慮構建心腦血管疾病動態貝葉斯網絡；采用的MMHC 算法容易陷入局部最優［29］， 因此為提高貝葉斯網絡模型的普適性，可通過禁忌搜索等算法綜合比較進而構建最優貝葉斯網絡模型。

利益沖突聲明：

所有作者聲明不存在利益沖突。

作者貢獻聲明：

王愛民參與研究選題、研究設計、數據分析、論文撰寫和修改， 王鳳琳、黃一銘、徐雅琪、張文婧、叢顯鑄、蘇維強、高夢瑤和李爽參與數據整理和圖表編輯，王素珍、孔雨佳、石福艷和陶恩學參與研究設計和論文修改及審校。

[參考文獻]

［1］ REN Q Q， LI S Y， XIAO C L， et al. The impact of airpollution on hospitalization for cardiovascular andcerebrovascular disease in Shenyang， China［J］. Iran JPublic Health， 2020， 49（8）： 1476-1484.

［2］ YOU Q， SHAO X Y， WANG J P， et al. Progress onphysical field-regulated micro/nanomotors forcardiovascular and cerebrovascular disease treatment［J］.Small Methods， 2023， 7（10）： e2300426.

［3］ BENJAMIN E J， MUNTNER P， ALONSO A， et al.Heart disease and stroke statistics-2019 update： a reportfrom the American heart association［J］. Circulation，2019， 139（10）： e56-e528.

［4］ MENSAH G A， ROTH G A， FUSTER V. The globalburden of cardiovascular diseases and risk factors： 2020and beyond［J］. J Am Coll Cardiol， 2019， 74（20）：2529-2532.

［5］ DISEASES AND INJURIESCOLLABORATORSGBD. Global burden of369 diseases and injuries in 204 countries and territories，1990-2019： a systematic analysis for the Global Burdenof Disease Study 2019［J］. Lancet， 2020， 396（10258）：1204-1222.

［6］ MELA A， RDZANEK E， PONIATOWSKI ? A，et al. Economic costs of cardiovascular diseases inPoland estimates for 2015-2017 years ［J］. FrontPharmacol， 2020， 11： 1231.

［7］ QIAO W J， ZHANG X Y， KAN B， et al.Hypertension， BMI， and cardiovascular andcerebrovascular diseases［J］. Open Med， 2021， 16（1）：149-155.

［8］ STROKE COLLABORATORSGBD. Global，regional， and national burden of stroke and its riskfactors， 1990-2019： a systematic analysis for the GlobalBurden of Disease Study 2019［J］. Lancet Neurol，2021， 20（10）： 795-820.

［9］ BOYD C， BROWN G， KLEINIG T， et al. Machinelearning quantitation of cardiovascular andcerebrovascular disease： a systematic review of clinicalapplications［J］. Diagnostics， 2021， 11（3）： 551.

［10］CHEUN"C Y， XU D J， CHENG C Y， et al. A deeplearningsystem for the assessment of cardiovasculardisease risk via the measurement of retinal-vesselcalibre［J］. Nat Biomed Eng， 2021， 5（6）： 498-508.

［11］AZMI J， ARIF M， NAFIS M T， et al. A systematicreview on machine learning approaches for cardiovasculardisease prediction using medical big data［J］. Med EngPhys， 2022， 105： 103825.

［12］KELSHIKER M A， SELIGMAN H， HOWARD J P，et al. Coronary flow reserve and cardiovascularoutcomes： a systematic review and meta-analysis［J］.Eur Heart J， 2022， 43（16）： 1582-1593.

［13］ZHENG P F， CHEN L Z， LIU P， et al. Identificationof immune-related key genes in the peripheral blood ofischaemic stroke patients using a weighted genecoexpression network analysis and machine learning［J］.J Transl Med， 2022， 20（1）： 361.

［14］BIEDERMANN A， TARONI F. Bayesian networksand probabilistic reasoning about scientific evidence whenthere is a lack of data［J］. Forensic Sci Int， 2006，157（2/3）： 163-167.

［15］BYCROFT C， FREEMAN C， PETKOVA D， et al.The UK Biobank resource with deep phenotyping andgenomic data［J］. Nature， 2018， 562（7726）： 203-209.

［16］黃夏璇， 黃 韜， 楊 瑞， 等. UK Biobank數據的應用介紹［J］. 中國循證醫學雜志， 2022， 22（9）： 1099-1107.

［17］UCHAI S， ANDERSEN L F， THORESEN M， et al.Does the association between adiposity measures andprefrailty among older adults vary by social position？Findings from the Troms? study 2015/2016［J］. BMCPublic Health， 2024， 24（1）： 1457.

［18］MACH F， BAIGENT C， CATAPANO A L， et al.2019 ESC/EAS Guidelines for the management ofdyslipidaemias： lipid modification to reducecardiovascular risk［J］. Eur Heart J， 2020， 41（1）： 111-188.

［19］PIZZI N J. Fuzzy quartile encoding as a preprocessingmethod for biomedical pattern classification［J］. TheorComput Sci， 2011， 412（42）： 5909-5925.

［20］JAYAWARDENA R， SOORIYAARACHCHI P. Theinside story of fruits； exploring the truth behindconventional theories［J］. Diabetes Metab Syndr， 2021，15（6）： 102085.

［21］CHUDASAMA Y V， KHUNTI K K， ZACCARDI F，et al. Physical activity， multimorbidity， and lifeexpectancy： a UK Biobank longitudinal study［J］. BMCMed， 2019， 17（1）： 108.

［22］苗豐順， 李 巖， 高 岑， 等. 基于CatBoost算法的糖尿病預測方法［J］. 計算機系統應用， 2019， 28（9）：215-218.

［23］HANCOCK J T， KHOSHGOFTAAR T M. CatBoostfor big data： an interdisciplinary review［J］. J Big Data，2020， 7（1）： 94.

［24］胡建錦， 熊 偉， 方陸明， 等. 基于距離相關系數和Catboost方法的森林蓄積量估測［J］. 中南林業科技大學學報， 2023， 43（5）： 27-35.

［25］PRABU S， THIYANESWARAN B， SUJATHA M，et al. Grid search for predicting coronary heart disease bytuning hyper-parameters［J］. Comput Syst Sci Eng，2022， 43（2）： 737-749.

［26］ROUSSON V， ZUMBRUNN T. Decision curveanalysis revisited： overall net benefit， relationships toROC curve analysis， and application to case-controlstudies［J］. BMC Med Inform Decis Mak， 2011， 11： 45.

［27］唐 末. 基于循證醫學及機器學習的中醫藥影響早中期結直腸癌預后模型研究［D］. 北京： 中國中醫科學院，2022.

［28］鐘 璐， 薛付忠. 基于貝葉斯網絡不確定性推理的肺癌風險預測模型［J］. 山東大學學報（醫學版）， 2023，61（4）： 86-94.

［29］王旭春， 宋偉梅， 潘金花， 等. MMPC-Tabu 混合算法的貝葉斯網絡模型在高脂血癥相關因素研究中的應用［J］. 中國衛生統計， 2022， 39（3）： 345-350， 355.

[基金項目] 國家自然科學基金項目（81803337，81872719，82003560）；國家統計局科研項目（2018LY79）；山東省科技廳自然科學基金項目（ZR2019MH034，ZR2020MH340，ZR2023MH313）；山東省教育廳高等學校青創人才引育計劃項目（2019-6-156）；濰坊醫學院博士啟動基金項目（2017BSQD51）