機器學習模型結合SHAP法預測多發性骨髓瘤患者骨折風險的研究

[摘要] 目的 基于沙普利可加性特征解釋（Shapley additive explanations，SHAP）法構建并評估機器學習模型預測多發性骨髓瘤（multiple myeloma，MM）患者骨折風險的價值。方法 回顧性分析2021年6月至2024年6月浙江大學醫學院附屬第一醫院收治的181例MM患者，收集患者的一般資料、實驗室檢查、既往史和疾病分期等潛在預測變量，經單因素分析和遞歸特征消除（recursive feature elimination，RFE）篩選變量，基于篩選后的變量以極限梯度提升（extreme gradient boosting，XGBoost）、隨機森林（random forest，RF）、輕量級梯度提升機（light gradient boosting machine，LightGBM）和邏輯回歸（Logistic regression，LR）分別構建模型，采用5折交叉驗證評估模型的診斷效能，利用SHAP值分析最佳模型變量貢獻。結果 共納入181例MM患者，骨折組50例，未骨折組131例。經RFE篩選出鐵蛋白、B型鈉尿肽等5個關鍵變量。XGBoost、RF、LightGBM和LR模型的受試者操作特征曲線下面積分別為0.861、0.846、0.755和0.780，其中XGBoost模型診斷效能最佳。SHAP值分析顯示XGBoost模型中B型鈉尿肽變量貢獻最大。結論 基于關鍵變量構建的XGBoost模型可有效預測MM患者的骨折風險，SHAP值提升模型可解釋性。

[關鍵詞] 多發性骨髓瘤；骨折風險；機器學習；沙普利可加性特征解釋

[中圖分類號] R552" """"[文獻標識碼] A """""[DOI] 10.3969/j.issn.1673-9701.2025.24.001

Machine learning and SHAP method for fracture risk prediction in multiple myeloma patients

WANG Luxing¹， JIANG Hui²

1.School of Nursing， Zhejiang Chinese Medical University， Hangzhou 310053， Zhejiang， China; 2.Hematology Bone Marrow Transplant Center， Zhejiang University Medical School Affiliated First Hospital， Hangzhou 310006， Zhejiang， China

[Abstract] Objective To develop and assess a machine learning model using the Shapley additive explanations （SHAP） method to predict fracture risk in multiple myeloma （MM） patients. Methods A retrospective study analyzed 181 MM patients in Zhejiang University Medical School Affiliated First Hospital from June 2021 to June 2024. Data included patient information， lab tests， medical history， and disease staging. Univariate analysis and recursive feature elimination （RFE） were employed for the purpose of variable selection. Predictive models were developed utilizing extreme gradient boosting （XGBoost）， random forest （RF）， light gradient boosting machine （LightGBM）， and Logistic regression （LR）. The performance of these models was evaluated through 5-fold cross-validation， and SHAP values were utilized to assess variable contributions in the optimal model. Results A total of 181 MM patients were included， with 50 in fracture group and 131 in non fracture group. RFE identified five key variables， notably including ferritin and B-type natriuretic peptide. The area under receiver operating characteristic curve values for the XGBoost， RF， LightGBM， and LR models were 0.861， 0.846， 0.755， and 0.780， respectively， with XGBoost demonstrating superior performance. SHAP analysis revealed that B-type natriuretic peptide was the most influential variable in the XGBoost model. Conclusion The XGBoost model demonstrates efficacy in predicting fracture risk among MM patients， with SHAP values enhancing its interpretability.

[Key words] Multiple myeloma; Fracture risk; Machine learning; SHAP

多發性骨髓瘤（multiple myeloma，MM）是一種克隆漿細胞異常增殖的惡性疾病，在血液系統惡性腫瘤中居第2位^[1]；發病率隨年齡增長而上升，且無法完全治愈^[2]。90%的MM患者可出現骨病變，50%～60%的患者可發生病理性骨折，研究表明MM骨折患者的死亡率是未骨折患者的2倍^[3-4]。如何評估MM患者的骨折風險，實現早期識別與干預，對降低死亡率意義重大。當前，MM患者骨折風險的臨床預測手段存在諸多不足。如骨密度測量技術需專業技師操作、存在X射線輻射，臨床應用普及率較低^[5]；常用的骨折風險評估工具（fracture risk assessment tool，FRAX）主要用于骨質疏松人群，對MM患者的評估存在局限性，未納入跌倒風險和代謝相關標志物等因素，導致MM患者的骨折風險被低估，需手動校正^[6-8]。近年來，人工智能、機器學習技術的迅猛發展為解決該難題提供可能^[9]；機器學習通過動態整合多源數據可捕捉復雜模式及個性化建模^[10]。此外，隨著基于博弈論的沙普利可加性特征解釋（Shapley additive explanations，SHAP）在機器學習可解釋性方面取得的一系列突破性進展，機器學習模型所面臨的“黑盒子”困境有望被打破，可彌補傳統量表的不足，為MM患者骨折的預防提供更高效、普適性解決方案^[11]。

本研究擬構建MM患者骨折風險機器學習預測模型，旨在更精準地預測骨折風險，幫助臨床醫生早期識別高危患者，及時采取個性化干預措施，減少骨折發生，改善MM患者的預后和生活質量。

1 "資料與方法

1.1 "研究對象

回顧性分析2021年6月至2024年6月浙江大學醫學院附屬第一醫院收治的181例MM患者。納入標準：①首次確診MM且符合《中國多發性骨髓瘤診治指南（2024年修訂）》^[12]診斷標準；②年齡≥18歲；③臨床資料完整。排除標準：①合并嚴重感染、其他部位腫瘤、代謝性骨病者；②有精神疾病或不配合者；③拒絕簽署知情同意書者。納入者根據《中國多發性骨髓瘤診治指南（2024年修訂）》^[12]分為骨折組和未骨折組，符合骨折診斷標準者為骨折組：①影像學檢查（X線片、CT、磁共振成像或正電子發射計算機體層成像）顯示1處或多處骨折；②椎體高度損失20%定義為壓縮性骨折。骨折組50例，其中男28例，女22例，平均年齡（63.2±8.0）歲；未骨折組131例，其中男84例，女47例，平均年齡（61.5±10.9）歲。本研究經浙江大學醫學院附屬第一醫院倫理委員會審批通過[倫理審批號：（2022）IIT同意函第（1165）號]。

1.2 "方法

1.2.1 "收集MM患者骨折潛在預測變量 "采用文獻檢索法初步構建MM患者骨折預測變量收集表，主要包括：①患者的一般資料（既往史和疾病分期等）；②實驗室檢查，如血常規、凝血功能、血生化、尿液檢查、免疫學/骨髓相關及其他特殊檢測。

1.2.2 "構建MM患者骨折預測變量篩選和機器學習模型 "以Plt;0.1為閾值篩選變量納入模型，之后使用遞歸特征消除（recursive feature elimination，RFE）對變量進行再次篩選。為減少模型過擬合風險，依據10倍自變量的事件數（events per variable，EPV）保留前5個變量納入模型。分別構建極限梯度提升（extreme gradient boosting，XGBoost）、隨機森林（random forest，RF）、輕量級梯度提升機（light gradient boosting machine，LightGBM）和邏輯回歸（Logistic regression，LR）4個機器學習模型預測MM患者的骨折發生風險，并使用5折交叉驗證確定模型診斷效能。最后使用SHAP值對最佳模型進行解釋、可視化。

1.3 "統計學方法

采用R4.1.2和Python 3.7.1進行統計學分析。使用Shapiro-Wilk檢驗連續變量是否為正態分布。符合正態分布的計量資料以均數±標準差（"）表示，比較采用t檢驗。不符合正態分布的計量資料以中位數（四分位數間距）[M（Q₁，Q₃）]表示，組間比較采用Mann-Whitney U檢驗。計數資料以例數（百分率）[n（%）]表示，比較采用c²檢驗或Fisher’s檢驗。各模型的診斷效能比較采用受試者操作特征曲線（receiver operating characteristic curve，ROC曲線）下面積（area under the curve，AUC）。臨床決策曲線評估各模型的臨床適用性。Plt;0.05為差異有統計學意義。

2 "結果

2.1" MM患者的骨折風險因素篩選

以MM患者是否骨折為因變量，共納入18個Plt;0.1的變量，見表1。利用RFE對18個變量再次篩選后排序前5名的變量分別為鐵蛋白、B型鈉尿肽、骨質破壞、血游離輕鏈KAP和超敏C反應蛋白，見圖1。

2.2 "機器學習模型構建及評估效能

基于排序前5名變量構建的Xgboost、RF、LightGBM和LR模型診斷MM患者發生骨折的AUC、敏感度、特異性、準確度見表2，其中XGboost模型的診斷效能最佳。臨床決策曲線分析顯示XGboost在大部分高風險閾值下臨床收益率高于RF、LightGBM和LR機器學習模型，見圖2。

2.3 "最佳模型SHAP分析

SHAP值對XGBoost模型分析顯示，變量權重由大到小依次為B型鈉尿肽、血游離輕鏈KAP、骨質破壞、超敏C反應蛋白和鐵蛋白，見圖3。絕對平均SHAP值分別為0.694、0.399、0.379、0.312和0.222，納入變量均為正向貢獻，權重排名前10位的變量見圖1。

3" 討論

MM患者病情復雜，骨病變常見，骨折危險因素繁多且相互交織，采用客觀、量化的評估工具精準篩查骨折發生風險至關重要。目前國內預測MM患者發生骨折風險的研究較少，在臨床中也常被忽視，但患者骨折后出現疼痛和高鈣血癥、貧血、腎損害、感染風險增加，嚴重影響其生活質量^[13]。

本研究基于機器學習算法發現MM患者骨折風險因素，最佳XGboost模型的AUC達（0.861±0.065）。此外，SHAP值的引入進一步增加對XGboost模型的可視化解釋性。Pundole等^[14]開發FRAX模型預測造血干細胞移植后MM患者骨折風險，FRAX模型的AUC僅0.660，表明FRAX模型對骨折預測存在局限性。本研究構建的4個機器學習模型AUC均在（0.755±0.058）及以上，表明在區分MM患者是否發生骨折方面具有更好的準確性。這得益于機器學習非線性數據的學習能力，其可挖掘出變量中更具預測性的信息，而FRAX模型受限于其固定的評估因素和算法結構，難以充分捕捉MM患者骨折風險因素間的復雜關系。

在SHAP分析中，B型鈉尿肽變量對模型貢獻性最大，其水平升高反映心力衰竭的嚴重程度，心力衰竭患者由于體力活動受限、平衡能力下降，增加MM患者跌倒后骨折可能性^[15]。B型鈉尿肽水平的升高可導致患者的判斷力、注意力和反應速度下降，影響其對外界環境變化的適應能力，導致MM患者在日常生活中更易發生意外，增加骨折風險^[16]。血游離輕鏈KAP在MM患者中的作用已得到證實，除直接影響骨髓外，還可通過改變骨代謝導致骨質破壞，增加骨折風險^[1]。超敏C反應蛋白和鐵蛋白主要反映機體內的炎癥狀態和鐵負荷，研究表明超敏C反應蛋白和鐵蛋白均與心血管事件的風險增加有關，可間接影響MM患者的體力活動、平衡和認知功能，增加骨折發生風險^[17]。

綜上，基于B型鈉尿肽等指標構建的XGBoost模型可有效預測MM患者的骨折風險，SHAP值提升模型的可解釋性。因本研究為單中心回顧性研究，后續需開展多中心外部驗證，以優化模型的預測效能與泛化性。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1]"" WANG S， XU L， FENG J， et al. Prevalence and incidence of multiple myeloma in urban area in China： A national population-based analysis[J]. Front Oncol， 2019， 9： 1513.

[2]"" ANEJA A， JIANG J J， COHEN-ROSENBLUM A， et al. Thromboembolic disease in patients with metastatic femoral lesions： A comparison between prophylactic fixation and fracture fixation[J]. J Bone Joint Surg Am， 2017， 99（4）： 315–323.

[3]"" COWAN A J， GREEN D J， KWOK M， et al. Diagnosis and management of multiple myeloma： A review[J]. JAMA， 2022， 327（5）： 464–477.

[4]"" THORSTEINSDOTTIR S， GISLASON G， ASPELUND T， et al. Fractures and survival in multiple myeloma： Results from a population-based study[J]. Haematologica， 2020， 105（4）： 1067–1073.

[5]"" 戴婷， 馬彩莉， 張孟喜， 等. 老年人骨折風險評估工具的研究進展[J]. 護理學雜志， 2020， 35（12）： 106–110.

[6]"" 劉功穩， 朱柯雨， 陸政峰， 等. 骨質疏松癥和骨質疏松性骨折防治的現狀及挑戰[J]. 中華骨質疏松和骨礦鹽疾病雜志， 2024， 17（5）： 409–418.

[7]"" 郭勇， 張穎， 栗敏， 等. 3608例中老年人骨代謝指標對骨質疏松及骨折風險的預測[J]. 中國骨質疏松雜志， 2024， 30（10）： 1432–1437.

[8]"" 衡燕， 張凱迪， 王新玲， 等. 校正FRAX在2型糖尿病中的干預閾值及應用價值[J]. 中國骨質疏松雜志， 2023， 29（6）： 852–857.

[9]"" SANCHEZ P， VOISEY J P， XIA T， et al. Causal machine learning for healthcare and precision medicine[J]. R Soc Open Sci， 2022， 9（8）： 220638.

[10] GONZáLEZ-CASTRO A， LEIRóS-RODRíGUEZ R， PRADA-GARCíA C， et al. The applications of artificial intelligence for assessing fall risk： Systematic review[J]. J Med Internet Res， 2024， 26： e54934.

[11] MUNAI E， ZENG S， YUAN Z， et al. Machine learning-based prediction model for brain metastasis in patients with extensive-stage small cell lung cancer[J]. Sci Rep， 2024， 14（1）： 28790.

[12] 中國醫師協會血液科醫師分會， 中華醫學會血液學分會. 中國多發性骨髓瘤診治指南（2024年修訂）[J]. 中華內科雜志， 2024， 63（12）： 1186–1195.

[13] MUKKAMALLA S K R， MALIPEDDI D. Myeloma bone disease： A comprehensive review[J]. Int J Mol Sci， 2021， 22（12）： 6208.

[14] PUNDOLE X， MURPHY W A， EBEDE C C， et al. Fracture risk prediction using frax in patients following hematopoietic stem cell transplantation[J]. Arch Osteoporos， 2018， 13（1）： 38.

[15] 鄭壽浩， 丁國明， 吳鑫洪， 等. 動靜脈內瘺血流量對慢性血液透析患者心功能及血清胱抑素C、同型半胱氨酸、B型鈉尿肽水平的影響[J]. 浙江中西醫結合雜志， 2020， 30（2）： 127–130.

[16] BURKAUSKAS J， BUNEVICIUS A， BROZAITIENE J， et al. Cognitive functioning in coronary artery disease patients： Associations with thyroid hormones， N-terminal pro-B-type natriuretic peptide and high-sensitivity C-reactive protein[J]. Arch Clin Neuropsychol， 2017， 32（2）： 245–251.

[17] ISMAEL H A， ISSA A H， HAMEED B H. Serum ferritin and C-reactive protein levels as indicators of severity of preeclampsia[J]. J Pak Med Assoc， 2024， 74（10）： S274–S277.

（收稿日期：2025–06–06）

（修回日期：2025–07–24）

基金項目：浙江省醫藥衛生科技計劃項目（2023KY674；2024KY967）

通信作者：王魯星，電子信箱：226149@zju.edu.cn