机器学习+SHAP=NHANES发1区新风口🧐

广州中医药大学近期发表在10.7分1区牛刊《Redox Biology》的一篇文章很有意思，大家一起看看。

📑《Machine learning and SHAP value interpretation for predicting comorbidity of cardiovascular disease and cancer with dietary antioxidants》

（基于机器学习与SHAP值解析膳食抗氧化剂对心血管病与癌症共病的预测）

⭕️研究背景：心血管疾病（CVD）与癌症常“相伴而生”，两者共享氧化应激、炎症等病理机制。而膳食中的抗氧化剂（如维生素、多酚）能中和自由基，可能降低共病风险。但传统统计方法难以处理复杂数据关系，机器学习（ML） 结合 SHAP值解释 成为新突破！

⭕️研究过程（详见图2）

数据来源：美国NHANES调查（2007-2018），纳入10,064名参与者，其中353人确诊CVD与癌症共病。

预处理：去除共线性特征、标准化数据、解决类别不平衡问题。

特征选择：44种膳食抗氧化剂（如维生素C、镁） + 人口、生活方式等基线特征。

模型构建：对比5种ML模型（RPART、RF、K-KNN、NB、LightGBM），通过SHAP值解析关键因素。

⭕️关键结果

✅ 最佳模型：LightGBM表现最优，准确率87.9%，AUC高达0.951！

✅ 核心抗氧化剂：SHAP值显示，柚皮素（naringenin）、镁（Mg）、茶黄素（theaflavin）、**硒（Se）**等对降低共病风险贡献最大。

✅ 机制关联：这些成分通过抗氧化、抗炎、调节细胞通路（如血管平滑肌增殖）发挥作用

研究结论

LightGBM模型能高效预测CVD与癌症共病，为临床风险评估提供新工具。

膳食抗氧化剂是关键可干预因素，尤其柚皮素（柑橘类水果富含）和镁（坚果、绿叶菜来源）值得关注！

⭕️小光观点分享 💡

ML的医学潜力：不仅能处理高维数据，还能揭示传统方法忽略的隐含关联（如特定抗氧化剂的协同作用）。

结合ML与可解释性工具（如SHAP），探索更多疾病预测的“隐藏因子”。