基于體檢數(shù)據(jù)的肌少癥患病風(fēng)險(xiǎn)預(yù)測(cè)

岳益兵，于 穎，沈 磊，王 燕，王瑩瑩，詹秀秀，呂偉波

(1. 杭州師范大學(xué)阿里巴巴復(fù)雜科學(xué)研究中心，浙江 杭州 311121； 2. 上海中醫(yī)藥大學(xué)護(hù)理學(xué)院，上海 201203； 3. 上海市浦東新區(qū)唐鎮(zhèn)社區(qū)衛(wèi)生服務(wù)中心，上海 201210； 4. 安徽醫(yī)科大學(xué)公共衛(wèi)生學(xué)院，安徽 合肥 230032)

目前，全球老年人口激增，隨著年齡增加，人體的肌肉骨骼肌系統(tǒng)出現(xiàn)了定量和定性的下降[1].肌少癥作為老年人常發(fā)疾病，給個(gè)人、社會(huì)和國(guó)家?guī)?lái)巨大的經(jīng)濟(jì)負(fù)擔(dān)[2].2000年，美國(guó)歸因于肌少癥的直接醫(yī)療費(fèi)用估計(jì)為185億美元(即醫(yī)療總開支的1.5%)[3].雖然最近的一篇綜述顯示，不同的肌少癥衛(wèi)生費(fèi)用的相關(guān)研究有著異質(zhì)性，但是總體顯示出了肌少癥人群醫(yī)療費(fèi)用增加的趨勢(shì)[4].2018年最新的歐洲老年人肌少癥工作組2(EWGSOP2)共識(shí)，將肌少癥定義為一種進(jìn)行性和全身性的骨骼肌疾病，與包括跌倒、骨折、身體殘疾和死亡等不良后果的可能性增加有關(guān)[5].

評(píng)估肌少癥的方法和工具較多，但都有其局限性.SARC-F量表是基于肌少癥的基本特征和后果開發(fā)的簡(jiǎn)單的五項(xiàng)問(wèn)卷[6]，但其過(guò)于依靠患者的主觀感受.成像技術(shù)可以較為精準(zhǔn)地測(cè)量肌肉量，通常采用的成像技術(shù)有計(jì)算機(jī)斷層掃描(CT)和磁共振成像(MRI)，但其設(shè)備成本高，操作難度較大.本文利用體檢信息建立肌少癥預(yù)測(cè)模型，通過(guò)體檢指標(biāo)或者部分體檢項(xiàng)目直接預(yù)測(cè)肌少癥患病風(fēng)險(xiǎn)，以更低廉的手段進(jìn)行更廣泛的肌少癥篩選，節(jié)省醫(yī)療資源.

機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)的一個(gè)領(lǐng)域，使用計(jì)算機(jī)算法來(lái)識(shí)別大數(shù)據(jù)中的模式，基于數(shù)據(jù)預(yù)測(cè)各種結(jié)果[7].機(jī)器學(xué)習(xí)方法在醫(yī)學(xué)輔助診斷、疾病預(yù)防、疾病亞型分類和異常用藥檢測(cè)等方面得到良好的應(yīng)用效果[8-9].建立機(jī)器學(xué)習(xí)預(yù)測(cè)模型，有助于診察疾病并做出及時(shí)有效的臨床決策，同時(shí)，可在早期識(shí)別具有不同疾病風(fēng)險(xiǎn)的患者，以優(yōu)化醫(yī)療資源配置.

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)來(lái)源及處理

數(shù)據(jù)來(lái)源于2019年上海某醫(yī)院的真實(shí)體檢數(shù)據(jù)，體檢人群主要針對(duì)老年群體，并已獲取用于本研究的知情同意.研究數(shù)據(jù)結(jié)合了InBody270(體成分分析儀270)數(shù)據(jù).肌少癥的定義基于亞洲人肌少癥工作小組(Asian Working Group for Sarcopenia，AWGS)的診斷標(biāo)準(zhǔn)，包括低肌肉質(zhì)量、低肌肉力量或較差的身體表現(xiàn)[10].低肌肉質(zhì)量即男性骨骼肌指數(shù)(skeletal muscle mass index，SMI)低于7.0 kg/m2，女性骨骼肌指數(shù)低于5.7 kg/m2[11].本文主要利用骨骼肌指數(shù)來(lái)識(shí)別肌少癥患者.

本文部分特征做了醫(yī)學(xué)意義的拓展，如根據(jù)BMI值的范圍劃分為健康體重、輕體重、超重和肥胖，目的是探查肌少癥與某些間接特征的關(guān)系.使用K近鄰的方法填充缺失值，K近鄰的填充能利用不同樣本之間的相似性更好地還原缺失數(shù)據(jù)，與均值和眾數(shù)等只看總體分布特點(diǎn)的填充方法相比，K近鄰更好地利用了類似個(gè)體之間的特性，可以根據(jù)變量的信息保留原始數(shù)據(jù)的分布結(jié)構(gòu).

在訓(xùn)練機(jī)器學(xué)習(xí)模型時(shí)，采用Borderline SMOTE(Borderline Synthetic Minority Oversampling Technique)方法對(duì)正樣本(肌少癥組)進(jìn)行過(guò)采樣，Borderline SMOTE是在SMOTE基礎(chǔ)上改進(jìn)的過(guò)采樣算法，該算法僅使用邊界上的少數(shù)類樣本來(lái)合成新樣本，合成的新樣本更利于分類器形成區(qū)分原始正負(fù)樣本的分界，從而改善樣本的類別分布.為增加預(yù)測(cè)模型的泛化能力，本研究對(duì)采樣后的樣本添加了符合高斯分布的隨機(jī)擾動(dòng).采樣后正負(fù)樣本量比例為1∶1.

1.2 統(tǒng)計(jì)學(xué)方法

1.3 機(jī)器學(xué)習(xí)方法

LightGBM(Light Gradient Boosting Machine)算法是由微軟提出的一種高效的梯度提升決策樹算法，LightGBM解決了評(píng)估每一個(gè)特征都需要掃描所有數(shù)據(jù)實(shí)例來(lái)估計(jì)所有可能分裂點(diǎn)的信息增益，便于處理大量數(shù)據(jù)實(shí)例和數(shù)據(jù)特征.鑒于LightGBM算法的優(yōu)越表現(xiàn)，LightGBM在工業(yè)界和學(xué)術(shù)界的數(shù)據(jù)研究中得到廣泛應(yīng)用.

決策樹(decision tree,DT)算法是一個(gè)樹狀分類器，使用信息熵、信息增益或基尼系數(shù)等來(lái)評(píng)估哪個(gè)特征作為非葉子節(jié)點(diǎn)的分類特征[12]，決策樹有著非常清晰的規(guī)則，易于理解和應(yīng)用于臨床實(shí)踐.

K近鄰(k-nearest neighbor, KNN)算法是一種較為簡(jiǎn)單的分類算法，對(duì)于每個(gè)預(yù)分類點(diǎn)，尋找其最接近的k個(gè)鄰居點(diǎn)，并以多數(shù)票標(biāo)記預(yù)分類點(diǎn)[13].

隨機(jī)森林(random forest,RF)算法是由Leo Breiman和Adele Culter開發(fā)由多棵決策樹組成的一種集成分類算法[14]，最終結(jié)果由所有決策樹投票決定，隨機(jī)森林算法在疾病預(yù)測(cè)等各個(gè)領(lǐng)域已經(jīng)被證明是一種高精確的算法.

支持向量機(jī)(support vector machines，SVM)算法是1992年由Boser等提出的分類算法，它通過(guò)構(gòu)造一個(gè)高維的最優(yōu)大邊緣分離超平面來(lái)完成分類，通過(guò)選擇不同的核函數(shù)，將原始數(shù)據(jù)映射到一個(gè)較高的維度，解決非線性分類問(wèn)題[15].

樸素貝葉斯(Naive Bayesian，NB)算法被認(rèn)為是一個(gè)簡(jiǎn)單的概率分類器，通過(guò)特征概率來(lái)預(yù)測(cè)分類，其基于貝葉斯定理，假設(shè)獨(dú)立變量的條件概率在統(tǒng)計(jì)上是獨(dú)立的，以降低高緯度的復(fù)雜性[16].

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)算法是一個(gè)強(qiáng)大的非線性模型，這個(gè)模型由許多被稱為“感知器”的人工神經(jīng)單元組成[17]，通過(guò)模擬人類神經(jīng)系統(tǒng)高度連接的處理單元，確定輸入特征與輸出結(jié)果的相關(guān)性.

邏輯回歸(logistic regression，LR)算法是機(jī)器學(xué)習(xí)領(lǐng)域最為常見的建模方法之一，其利用Sigmoid函數(shù)引入非線性關(guān)系，便于解決二分類問(wèn)題.

1.4 評(píng)價(jià)方法

本文屬于預(yù)測(cè)被試者是否患有肌少癥的二分類預(yù)測(cè)，主要采用AUC值作為預(yù)測(cè)性能的評(píng)價(jià)指標(biāo).AUC(Area Under Curve)是衡量二分類模型優(yōu)劣的一種評(píng)價(jià)指標(biāo)，即ROC(Receiver Operating Characteristic)曲線與x軸所圍面積.

本研究采用5折交叉驗(yàn)證法，將數(shù)據(jù)集均分為5份，其中1份作為測(cè)試集，4份作為訓(xùn)練集進(jìn)行5折交叉訓(xùn)練，每種機(jī)器學(xué)習(xí)方法訓(xùn)練模型的訓(xùn)練集和測(cè)試集都相同，將測(cè)試集的平均AUC值作為最終評(píng)價(jià)指標(biāo).

2 實(shí)驗(yàn)和結(jié)果

2.1 基本信息及統(tǒng)計(jì)學(xué)分析

研究樣本中，肌少癥患者875(15.5%)例，正常者4 766例.研究特征分為連續(xù)變量和分類變量，并分別做統(tǒng)計(jì)學(xué)分析.連續(xù)變量中，年齡、體質(zhì)量、身高、BMI、腰圍、臀圍等21個(gè)特征在是否患肌少癥群體之間的差異具有統(tǒng)計(jì)學(xué)意義(P<0.05)；分類變量中，性別、肥胖程度、中心性肥胖等12個(gè)特征在是否患肌少癥群體之間的差異具有統(tǒng)計(jì)學(xué)意義.詳見表1、表2，特征各類別患病比例見圖1.

表1 樣本群體連續(xù)變量基本特征Tab.1 Basic characteristics of continuous variables in sample population

續(xù)表1

表2 樣本群體分類變量基本特征Tab.2 Basic characteristics of the categorical variables in sample population

續(xù)表2

2.2 建立肌少癥患病風(fēng)險(xiǎn)預(yù)測(cè)模型

圖2 8種機(jī)器學(xué)習(xí)算法ROC曲線及其AUC值Fig.2 ROC curves of eight machine learning algorithms and their AUC values

預(yù)測(cè)模型所用特征過(guò)多，會(huì)使模型復(fù)雜度增加，且易造成過(guò)擬合.本文利用假設(shè)檢驗(yàn)方法對(duì)原始體檢數(shù)據(jù)特征進(jìn)行初步特征篩選，作為預(yù)測(cè)模型的輸入變量，是否患有肌少癥的二分類結(jié)果作為預(yù)測(cè)變量.經(jīng)采樣后，將兩組差異具有統(tǒng)計(jì)學(xué)意義的33個(gè)特征作為輸入變量進(jìn)行機(jī)器學(xué)習(xí)方法模型訓(xùn)練，8種機(jī)器學(xué)習(xí)方法經(jīng)過(guò)5折交叉驗(yàn)證訓(xùn)練后，測(cè)試集的AUC值以及相應(yīng)的ROC曲線見圖2.其中，LightGBM算法預(yù)測(cè)效果最優(yōu)(AUC=0.979，其相應(yīng)訓(xùn)練集AUC=0.995)，其次是RF算法(AUC=0.970)和LR算法(AUC=0.936)，其后分別是ANN算法(AUC=0.892)、SVM算法(AUC=0.868)、KNN算法(AUC=0.867)、DT算法(AUC=0.831)和NB算法(AUC=0.735).

2.3 肌少癥預(yù)測(cè)的重要因素和體檢項(xiàng)目分析

本研究通過(guò)單個(gè)特征在預(yù)測(cè)模型中的AUC值，尋找預(yù)測(cè)肌少癥的重要因素.從8種模型預(yù)測(cè)結(jié)果的AUC值可知，針對(duì)本研究數(shù)據(jù)，預(yù)測(cè)性能最好的前3種算法為L(zhǎng)ightGBM算法、RF算法和LR算法，且3種方法應(yīng)用較為廣泛，可以探查特征重要性，因此，本研究把所有特征分別放入前3種機(jī)器學(xué)習(xí)方法中訓(xùn)練，得到單個(gè)特征在這3種算法中的AUC值，如圖3所示.可見,對(duì)于不同算法建立的預(yù)測(cè)模型，較為重要的特征可以得到較好的AUC值，以此篩選預(yù)測(cè)肌少癥的重要因素.將前3種預(yù)測(cè)模型預(yù)測(cè)的單個(gè)特征評(píng)分按AUC值從高到低排序，先取每種算法的評(píng)分前20項(xiàng)分別構(gòu)成一個(gè)特征集合，再取3個(gè)集合共有的特征，作為預(yù)測(cè)肌少癥的重要因素集，分別為年齡、體質(zhì)量、身高、BMI、腰圍、臀圍、舒張壓、平均紅細(xì)胞血紅蛋白量、高密度脂蛋白、平均紅細(xì)胞體積、紅細(xì)胞、甘油三酯.

注：縱坐標(biāo)為單個(gè)特征在預(yù)測(cè)算法中的評(píng)分；橫坐標(biāo)為特征，BMI為身體質(zhì)量指數(shù)、HGB為血紅蛋白濃度、MCH為平均紅細(xì)胞血紅蛋白含量、MCHC為平均紅細(xì)胞血紅蛋白濃度、MCV為平均紅細(xì)胞體積、HDL為高密度脂蛋白、LDL為低密度脂蛋白.

為探究不同體檢項(xiàng)目對(duì)預(yù)測(cè)肌少癥的影響，本文將所有特征分類為不同的特征集合，作為不同體檢項(xiàng)目，查看這些體檢項(xiàng)目的預(yù)測(cè)效果.所有的體檢項(xiàng)目同樣通過(guò)3種算法訓(xùn)練，得到不同體檢項(xiàng)目在3種機(jī)器學(xué)習(xí)方法下的AUC值，結(jié)果見圖4.利用相同方法，找出3種預(yù)測(cè)方法評(píng)分前10的體檢項(xiàng)目中共有的體檢項(xiàng)目，將其作為預(yù)測(cè)肌少癥的重要體檢項(xiàng)目，包括體格檢查、血檢指標(biāo)、血常規(guī)、肝腎功能、生活習(xí)慣和一般信息.

注：橫坐標(biāo)為不同特征集合組成的體檢項(xiàng)目，縱坐標(biāo)為體檢項(xiàng)目在預(yù)測(cè)算法中對(duì)應(yīng)的AUC值.

3 討論

由于醫(yī)療數(shù)據(jù)的特殊性，在預(yù)測(cè)方法上并沒有某種機(jī)器學(xué)習(xí)算法可以很好地預(yù)測(cè)某一種類型的醫(yī)療數(shù)據(jù)，因此本文利用8種機(jī)器學(xué)習(xí)算法進(jìn)行實(shí)驗(yàn)，尋找適合本文數(shù)據(jù)的機(jī)器學(xué)習(xí)算法，以建立具有較好預(yù)測(cè)性能的肌少癥患病風(fēng)險(xiǎn)預(yù)測(cè)模型.對(duì)于本文的預(yù)測(cè)模型，LightGBM算法、RF算法和LR算法都體現(xiàn)了很好的預(yù)測(cè)效果.LightGBM算法和RF算法都是基于樹結(jié)構(gòu)的算法，可見樹結(jié)構(gòu)的算法對(duì)于此數(shù)據(jù)預(yù)測(cè)效果較好.在本文中，LightGBM是比較適合利用體檢數(shù)據(jù)進(jìn)行肌少癥預(yù)測(cè)的算法.

本文探查的預(yù)測(cè)肌少癥的重要因素有體質(zhì)量、臀圍、BMI、腰圍、年齡、身高、舒張壓、平均紅細(xì)胞血紅蛋白量、高密度脂蛋白、平均紅細(xì)胞體積、紅細(xì)胞和甘油三酯.結(jié)合表1中肌少癥組的值范圍可見，與正常群體相比，肌少癥群體在體質(zhì)量、臀圍、BMI、腰圍、身高、舒張壓、紅細(xì)胞和甘油三酯上的值較低，而在年齡、平均紅細(xì)胞血紅蛋白量、高密度脂蛋白和平均紅細(xì)胞體積上的值較高，其中部分因素也在其他研究中提及.BMI是眾多研究得到的肌少癥重要的影響因素[18-19].肌少癥與衰弱密切相關(guān)[20]，體質(zhì)量、腰圍、臀圍以及身高變化在體質(zhì)衰弱的老年群體中都較為常見.研究表明，甘油三酯與肌少癥發(fā)生率呈負(fù)相關(guān)，高密度脂蛋白與肌少癥發(fā)生率呈正相關(guān)[21]，這支持了甘油三酯和高密度脂蛋白可以作為預(yù)測(cè)肌少癥的重要因素.Kang等[19]研究顯示紅細(xì)胞計(jì)數(shù)、高密度脂蛋白和舒張壓是肌少癥的風(fēng)險(xiǎn)因素.平均紅細(xì)胞血紅蛋白量、高密度脂蛋白、平均紅細(xì)胞體積和甘油三酯對(duì)肌少癥的內(nèi)在影響機(jī)制需要進(jìn)一步確認(rèn).

本文探查的預(yù)測(cè)肌少癥重要體檢項(xiàng)目有體格檢查、血檢指標(biāo)、血常規(guī)、肝腎功能、生活習(xí)慣和一般信息，其中體格檢查、血檢指標(biāo)和血常規(guī)在LightGBM和RF算法的預(yù)測(cè)模型中AUC評(píng)分都在0.9以上.具體來(lái)說(shuō)，體格檢查包括身高、體質(zhì)量、腰圍、臀圍、心率、收縮壓和舒張壓.血常規(guī)包括紅細(xì)胞平均血紅蛋白量、紅細(xì)胞平均血紅蛋白濃度、紅細(xì)胞平均體積、血紅蛋白、紅細(xì)胞、白細(xì)胞和血小板.肝腎功能主要包含尿素氮、肌酐、尿酸、谷丙轉(zhuǎn)氨酶和總膽紅素.血檢指標(biāo)包含血常規(guī)和肝腎功能的子項(xiàng)以及甘油三酯、膽固醇、高密度脂蛋白和低密度脂蛋白.生活習(xí)慣包含運(yùn)動(dòng)、吸煙、飲酒和飲食情況.一般信息包括性別、年齡和教育水平.可見，血檢指標(biāo)、肝腎功能以及生活習(xí)慣的改變，可能預(yù)示著肌少癥風(fēng)險(xiǎn)的不同.有研究指出腎功能與老年男性慢性腎臟病患者肌少癥發(fā)生相關(guān)[22].以上所述體檢項(xiàng)目，在社區(qū)、醫(yī)院的體檢或其他門診疾病的輔助檢查中較易獲得，可對(duì)肌少癥進(jìn)行初步預(yù)測(cè).

很多生活方式因素被認(rèn)為易導(dǎo)致肌少癥，由圖1中G可知，偏愛肉類(標(biāo)簽：0)人群患肌少癥比例更高，這可能是老年人體內(nèi)蛋白質(zhì)含量不僅僅取決于肉類的攝入量，且肉類中蛋白質(zhì)的吸收利用亦為重要因素之一，本研究提示老年人需葷素均衡飲食(標(biāo)簽：2).運(yùn)動(dòng)干預(yù)可以有效降低肌少癥的患病風(fēng)險(xiǎn)[23].運(yùn)動(dòng)頻率在本實(shí)驗(yàn)中的差異不顯著，運(yùn)動(dòng)強(qiáng)度不是肌少癥的影響因素，這可能和運(yùn)動(dòng)的方式有關(guān)，例如要進(jìn)行有氧運(yùn)動(dòng)和抵抗運(yùn)動(dòng)[24]的形式來(lái)進(jìn)行有效的肌少癥預(yù)防和干預(yù).由圖1中K可知，每次1～2 h運(yùn)動(dòng)訓(xùn)練的人群，患肌少癥的概率更低.一項(xiàng)meta分析的結(jié)果表明，酒精攝入并不是肌少癥的危險(xiǎn)因素[25]，證實(shí)了飲酒不是預(yù)測(cè)肌少癥的重要因素.同時(shí)，體檢項(xiàng)目中吸煙、飲酒和飲食的預(yù)測(cè)效果不佳，但是將這些項(xiàng)目結(jié)合，可以較好地預(yù)測(cè)肌少癥，這說(shuō)明，肌少癥的預(yù)防和干預(yù)應(yīng)該注重在日常生活中培養(yǎng)良好的生活習(xí)慣，飲食、作息和運(yùn)動(dòng)等方面都需要保持良好的狀態(tài).

本文的優(yōu)勢(shì)在于，首先使用較為基礎(chǔ)的8種機(jī)器學(xué)習(xí)方法進(jìn)行肌少癥患病風(fēng)險(xiǎn)預(yù)測(cè)，可以廣泛探查適合本研究數(shù)據(jù)的基本機(jī)器學(xué)習(xí)方法.其次，本研究基于常規(guī)體檢數(shù)據(jù)以及不同體檢項(xiàng)目進(jìn)行的肌少癥患病風(fēng)險(xiǎn)預(yù)測(cè)，數(shù)據(jù)易獲得，成本低，并可基于醫(yī)院和社區(qū)已有的數(shù)據(jù)對(duì)更廣泛的人群進(jìn)行篩查，確定潛在肌少癥群體.本文的研究局限性在于：1)只采用了一種過(guò)采樣方法，過(guò)采樣后得到的數(shù)據(jù)并不是原始的真實(shí)數(shù)據(jù)，對(duì)預(yù)測(cè)結(jié)果會(huì)有一定的影響；2)建立的預(yù)測(cè)模型在現(xiàn)實(shí)中很難應(yīng)用，醫(yī)療行業(yè)有其特殊性，數(shù)據(jù)分析工具要求更高的準(zhǔn)確性和安全性.

綜上所述，本文基于LightGBM方法建立了肌少癥患病風(fēng)險(xiǎn)預(yù)測(cè)模型，AUC值達(dá)0.979，結(jié)合預(yù)測(cè)模型確定了預(yù)測(cè)肌少癥的重要因素有體質(zhì)量、臀圍、BMI、腰圍、年齡、身高、舒張壓、平均紅細(xì)胞血紅蛋白量、高密度脂蛋白、平均紅細(xì)胞體積、紅細(xì)胞和甘油三酯，重要體檢項(xiàng)目有體格檢查、血檢指標(biāo)、血常規(guī)、肝腎功能、生活習(xí)慣和一般信息，有利于肌少癥的進(jìn)一步理論研究和實(shí)踐管理.