IF4.3!! ''机器学习+可解释(AI)SHAP''研究思路助力郑大中心医院&广中医稳拿二区!无实验可直接抄

点击上方''蓝字''关注我吧！

一句话讲透核心思路（简单通俗易懂）

基于 271 例 CHF 患者的 CPET 参数与实验室数据，采用 Boruta 特征筛选、七种机器学习算法构建 MACCE 预测模型，结合 SHAP 解释性分析明确关键特征，并通过亚组分析验证模型稳定性。

研究核心亮点 ❗️ ❗️ ❗️

数据维度独特：
利用心肺运动试验（CPET）这一动态功能学指标，而非传统的静态生化指标，捕捉心衰患者的生理极限状态。
特征选择智能化：
采用Boruta算法（基于随机森林的特征重要性筛选）自动识别关键预测变量，减少人为偏差。
模型性能优越：在7种ML模型中，CatBoost模型表现出最佳预测性能，尤其在处理类别不平衡和结构化数据时优势明显。
模型可解释性强：引入SHAP值，将复杂的机器学习模型转化为直观的特征贡献度图谱，揭示了HRR1和VE/VCO2斜率的核心驱动作用。
临床分层验证：不仅做了整体模型，还针对HFpEF（射血分数保留的心衰）和Worsening HF（恶化心衰）进行了亚组分析，增强了结论的鲁棒性。

图形摘要

引言

🏥第1次把机器学习塞进慢性心衰（CHF）的化验单里，盯着心肺运动试验（CPET）那堆气体代谢数据，硬生生挖出了两个能提前预警中风心梗的“隐藏指标”！

📝突破：今天要分享的一篇文献由郑大中心医院＆广州中医药大学近期发表于📚《Annals of Medicine》（IF=4.3，2026）的研究:

💡别以为又是纯湿实验——

📊统计工具玩得贼溜：Boruta算法筛特征 + CatBoost建模 + SHAP解释黑盒，把“为什么”讲得明明白白：

团队通过 Boruta 算法筛选核心 CPET 预测指标，构建七种机器学习模型并优选 CatBoost 模型。结合 SHAP 可解释性分析破解模型黑箱问题，清晰阐明了各关键参数对心衰不良事件的预测机制！

一起来了解一下整篇文章的框架吧~

（还在为“纯生信”文章缺乏深度、频频被拒而焦虑？如果你也想借鉴''机器学习+可解释（AI）SHAP''研究框架分析，别观望了，关注生信大佬，下一篇高分SCI等你来拿！）

文献解读

👇🏻点击下方名片关注''生信大佬''，每天持续更新高分文献！带你洞察探索更多科研领域👇🏻

研究背景

心力衰竭为心肌结构与功能损伤所致的终末期心血管综合征，早期风险筛查意义重大。本研究基于机器学习算法构建并验证心衰患者 MACCE 预测模型，筛选其核心预测指标。

研究方法

🔹 1. 数据库

机器学习+SHAP；

🔹 2. 模型开发

将数据集分为训练集和测试集，构建了7种机器学习模型（包括但不限于逻辑回归、随机森林、XGBoost、LightGBM、CatBoost等）。

🔹 3. 特征选择

使用Boruta特征选择算法筛选出重要的预测特征。

🔹 4. 模型评估

较模型的预测性能（如AUC、准确率等）。

🔹 5. 模型解释

应用SHAP（Shapley Additive exPlanations）评估特征重要性并解释模型。

🔹 6. 敏感性分析

针对HFpEF组和Worsening HF组进行亚组分析。

研究结果

研究人群基线特征

本研究共纳入 271 例心衰患者，包含 HFrEF 8 例、HFmrEF 20 例、HFpEF 243 例，中位随访 21 个月。研究存在少量数据缺失，经多重插补生成 5 个数据集，合并结果用于后续统计分析。表1

表1：研究参与者的基线特征。

两组基线资料多数均衡可比，性别、基础疾病、既往治疗及多数实验室指标均无显著差异。MACCE 组年龄更高，利尿剂、MRA 使用率及糖化血红蛋白水平显著升高。WHF 组同样表现为利尿剂与 MRA 用药比例显著高于无事件组。

CPET 参数的单变量分析：比较无事件组、MACCE 组和 WHF 组

组间 CPET 指标对比显示，无事件组的 WRmax、peakVO₂、HRmax、SBPmax、METmax、HRR1、HRR2 及 PETCO₂水平显著高于 MACCE 组；而 MACCE 组 VE/VCO₂斜率更高、心率储备更差（表 2）。

表2：无偶组、事件组及WHF组的CPET成绩。

相较于 WHF 组，无事件组的 WRmax、peakVO₂、HRmax、SBPmax、METmax、OUES、VE、HRR1、HRR2 及 PETCO₂均显著更高；WHF 组则呈现更高的 VE/VCO₂斜率，心肺运动功能更差（表 2）。

特征选择与模型构建

利用Boruta算法，共识别出四个关键特征——HRR1、VE/VCO2坡度，PETCO2，以及HRR2——作为后续机器学习建模的重要预测变量。图1

图1：与Boruta合作的特色选择（无事件组和事件组）。

基于四个选定特征——HRR1、VE/VCO₂斜率、PETCO₂及 HRR2 为输入特征，构建 LR、SVM、XGBoost 等七种机器学习模型。通过测试集 ROC 曲线与校准曲线对最优模型的预测效能及变量重要性进行可视化评估（图 2）。

图2：（A）测试集中不同机器学习模型的ROC曲线。（B）测试集中不同模型的校准曲线。

所有模型的性能指标——如准确性、灵敏度、特异性、精度和F1分数——汇总为表3。

表3：机器学习模型性能比较。

训练集 ROC 曲线结果显示，CatBoost 模型预测效能最优（AUC=0.903，95% CI：0.816–0.991）。该模型的特征重要性排序为：HRR1 居于首位，其次为 VE/VCO₂斜率、PETCO₂与 HRR2。

模型可解释性

鉴于CatBoost在七个模型中表现更优，因此CatBoost 模型开展可解释性分析。SHAP 分析结果显示，HRR1、VE/VCO₂斜率、PETCO₂、HRR2 为核心预测特征。其中，HRR1、HRR2、PETCO₂水平降低及 VE/VCO₂斜率升高，可显著增加心衰不良事件的发生风险（图 3）。

图3：模型中的特征重要性。

HRR1和VE/VCO的偏依赖图2坡度（图4A）显示当HRR1低于12.5且VE/VCO低于12时2斜率超过33，不良事件发生率显著增加。此外，基于SHAP分析的瀑布图（图4B）展示了每个特征对单个预测的贡献。

图4：（A）HRR1和VE/CO的部分依赖图2糊涂。SHAP偏依赖图的坐标是SHAP值，横轴是特征值。SHAP值越高，预后不良的风险越高。（B）用于预测高风险患者的SHAP瀑布图。

Cox比例风险回归模型及无事件组与MACCE组的敏感性分析

校正年龄、性别混杂因素后，结合特征重要性与共线性分析筛选 VIF 1.18~2.88 的指标构建 Cox比例风险回归模型，结果表明，HRR1 与 VE/VCO₂斜率为 MACCE 独立预测因子。

排除 HFrEF、HFmrEF 仅纳入 HFpEF 开展敏感性分析，训练集 192 例、测试集 52 例，分析流程同主研究。CatBoost 仍为最优模型（AUC=0.863，95% CI），特征重要性排序与主分析相符。

无事件组与WHF组的分析

对无事件组与 WHF 组重复主分析流程，CatBoost 模型效能最优（AUC=0.899，95% CI）；SHAP 分析提示低 HRR1、高 VE/VCO₂斜率对应更高不良事件风险。表4

表4：竞争性风险事件模型和Cox比例风险模型。

构建 Fine-Gray 竞争风险模型与校正 Cox 模型后，结果显示HRR1 为 WHF 的独立保护因素，而 VE/VCO₂斜率无统计学意义（表 4）。

生信启示

这项研究虽然是基于单中心的小样本队列，但其研究逻辑完全由生信/机器学习思维主导：

从数据驱动的Boruta特征筛选，到非参数的CatBoost模型构建；
再到基于博弈论的SHAP解释，整个流程没有依赖传统的假设检验或线性回归，而是让数据自己“说话”。
这种“特征工程 → 模型训练 → 模型解释”的闭环逻辑，是典型的现代生物信息学/机器学习研究范式，即使在临床小样本研究中，也展现了强大的挖掘能力。

文章结论

心率恢复1分钟值（HRR1）较低和二氧化碳通气当量斜率（VE/VCO2 slope）较高，是慢性心衰患者发生主要不良心脑血管事件的独立预测因子，可作为早期风险识别的有效生物标志物。

声明：（生信大佬所有发表的内容仅为自己的观点与经验分享，如有专业不对需修改的地方请评论指正！）

（科研瓶颈卡到崩溃？生信分析不会做、课题没创新？当下超火的''机器学习+SHAP''研究框架分析，别观望了，关注生信大佬，下一篇高分SCI等你来拿！）

📢 想套用这套统计结果写法？高分 SCI 省力发文套路整理汇总，需要参考后台留言！

END

往期精彩回顾

IF14.1!!恭喜一作博士仅5图发表双一区TOP！

IF19.4!!再次恭喜复旦大学郁金泰团队拿下《Nature》子刊！

IF15.7!! 中国农业科学院仅用 6图，强势发表《Nature 》子刊！！！

IF42.5!! 恭喜复旦大学郁金泰团队再次拿下《Cell》！仅32天Accept！

点点赞

点分享

点在看