梁冰倩 黃志碧 賴銀娟 莫海娟 陸華媛 陳青云

(1 廣西醫(yī)科大學(xué)公共衛(wèi)生學(xué)院， 南寧市 530021，電子郵箱：289059086@qq.com；2 廣西醫(yī)科大學(xué)第一附屬醫(yī)院體檢中心， 南寧市 530021)

高尿酸血癥是一種常見且具有廣泛危害的代謝性疾病，可引起人體多器官系統(tǒng)的損害，且與多種心腦血管疾病有關(guān)[1]。目前，我國(guó)高尿酸血癥患病率高達(dá)13.0%，男性和女性患病率分別為18.5%和8%，男性患病率高于女性[2]。但是，我國(guó)高尿酸血癥的知曉率、治療率都很低[3]，成為嚴(yán)重影響我國(guó)人民身體健康的公共衛(wèi)生問題。因此，預(yù)防和控制高尿酸血癥具有重要意義。

在醫(yī)學(xué)信息化的今天，醫(yī)療大數(shù)據(jù)內(nèi)在信息價(jià)值的挖掘成為服務(wù)臨床的一門技術(shù)。機(jī)器學(xué)習(xí)技術(shù)在醫(yī)療領(lǐng)域應(yīng)用廣泛[4]，隨機(jī)森林是一種集成學(xué)習(xí)算法的機(jī)器學(xué)習(xí)之一，具有精度高、抗噪聲、不受共線影響和不存在過擬合等優(yōu)點(diǎn)[5]，在數(shù)據(jù)分析和挖掘中具有較高的應(yīng)用價(jià)值，且可以很好地克服線性回歸模型存在的缺陷。本研究將數(shù)據(jù)挖掘技術(shù)引入到高尿酸血癥患病風(fēng)險(xiǎn)預(yù)測(cè)研究中，基于多因素Logistic回歸分析和隨機(jī)森林算法構(gòu)建高尿酸血癥風(fēng)險(xiǎn)預(yù)測(cè)模型，為高尿酸血癥的預(yù)防控制工作提供科學(xué)依據(jù)。

1 資料與方法

1.1 臨床資料 選擇2016年9月至2017年2月期間在廣西醫(yī)科大學(xué)第一附屬醫(yī)院體檢中心進(jìn)行體檢的2 754例體檢個(gè)體作為研究對(duì)象。納入標(biāo)準(zhǔn)：(1)年齡18～85歲，男女不限；(2)同意進(jìn)行問卷調(diào)查并簽署知情同意。排除患有惡性腫瘤、先天性肝腎功能不全、遺傳病、傳染性疾病、藥物性疾病者。其中，男性1 044例(37.9%)、女性1 710例(62.1%)；年齡20～84(52.79±11.83)歲，20～<45歲616例(22.4%)、45～<60歲1 177例(42.7%)、≥60歲961例(34.9%)。

1.2 高尿酸血癥診斷標(biāo)準(zhǔn) 根據(jù)血尿酸水平進(jìn)行診斷，男性血尿酸水平>420 μmol/L，女性血尿酸水平>357 μmol/L，即診斷為高尿酸血癥[6]。

1.3 調(diào)查內(nèi)容 收集的數(shù)據(jù)資料包括問卷調(diào)查資料、體格測(cè)量資料、實(shí)驗(yàn)室檢測(cè)指標(biāo)3部分。共27項(xiàng)指標(biāo)：性別、年齡、教育水平、糖尿病史、高血壓史、吸煙史、飲酒史、蔬菜食用情況、水果食用情況、肉類食物食用情況、鍛煉情況、腰圍、體質(zhì)指數(shù)、舒張壓、收縮壓、糖化血紅蛋白、白細(xì)胞計(jì)數(shù)、尿素氮、餐后2 h血糖、血紅蛋白、尿酸、空腹血糖、LDL-C、血小板、HDL-C、三酰甘油、血肌酐。其中，依據(jù)《中國(guó)慢性病及其危險(xiǎn)因素監(jiān)測(cè)報(bào)告,2010》[7]對(duì)吸煙、飲酒指標(biāo)進(jìn)行定義：吸煙定義為每天至少吸20支煙且持續(xù)時(shí)間為半年以上；飲酒定義為在一年時(shí)間內(nèi)，每天飲用啤酒、白酒、糯米酒等其中一種酒類50 mL及以上。肉類食物食用情況以每天100 g以上為很多、50～100 g為一般、50 g以下為很少；蔬菜食用情況以每天600 g以上為很多、300～600 g為一般、300 g以下為很少；水果食用情況以每天500 g以上為很多、200～500 g為一般、200 g以下為很少；鍛煉情況以每周1～3次為偶爾鍛煉，每周0～1次為不鍛煉，每次正常步行30 min及以上。

1.4 統(tǒng)計(jì)學(xué)分析 采用SPSS 24.0和R 3.6.0軟件進(jìn)行統(tǒng)計(jì)分析。根據(jù)診斷標(biāo)準(zhǔn)，將研究對(duì)象分為高尿酸血癥組和非高尿酸血癥組，將兩組對(duì)象進(jìn)行編號(hào)，然后采用單純隨機(jī)抽樣的方法，從兩組中分別隨機(jī)抽取80%的樣本量組成訓(xùn)練集樣本用于構(gòu)建模型，其余20%樣本量作為測(cè)試集用于評(píng)價(jià)模型效能。在所有研究對(duì)象中先將27項(xiàng)指標(biāo)采用單因素分析方法進(jìn)行篩選，服從正態(tài)分布的計(jì)量資料以(x±s)表示，比較采用獨(dú)立t檢驗(yàn)，不服從正態(tài)分布的資料以中位數(shù)(M)和四分位數(shù)間距(Q)表示，比較采用秩和檢驗(yàn)；分類變量以率或構(gòu)成比表示，比較采用χ2檢驗(yàn)。將單因素分析中P<0.05的變量，采用訓(xùn)練集數(shù)據(jù)分別建立Logistic回歸預(yù)測(cè)模型和隨機(jī)森林預(yù)測(cè)模型。最后，根據(jù)測(cè)試集數(shù)據(jù)應(yīng)用兩種預(yù)測(cè)模型對(duì)高尿酸血癥患病風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，采用受試者工作特征(receiver operating characteristic,ROC)曲線下面積(area under the curve,AUC)比較兩種預(yù)測(cè)模型預(yù)測(cè)效果的差異。

1.4.1 隨機(jī)森林預(yù)測(cè)模型的建立：運(yùn)用R 3.6.0軟件進(jìn)行分析和建模，根據(jù)訓(xùn)練集數(shù)據(jù)，調(diào)用Random Forest包進(jìn)行隨機(jī)森林模型的訓(xùn)練，并對(duì)重要參數(shù)ntree和mtry進(jìn)行調(diào)試。經(jīng)測(cè)試集檢驗(yàn)，當(dāng)ntree=500、mtry=6時(shí)，隨機(jī)森林模型達(dá)到最優(yōu)。

1.4.2 Logistic回歸預(yù)測(cè)模型的建立：在訓(xùn)練集數(shù)據(jù)上，使用R語(yǔ)言中的glm函數(shù)構(gòu)建Logistic模型，并利用step函數(shù)對(duì)構(gòu)建的初始Logistic模型進(jìn)行基于AIC準(zhǔn)則的逐步回歸變量篩選。

1.4.3 驗(yàn)證模型： 采用簡(jiǎn)單交叉驗(yàn)證，根據(jù)擬合出的兩個(gè)預(yù)測(cè)模型，采用測(cè)試集數(shù)據(jù)繪制ROC曲線，根據(jù)ROC曲線及AUC對(duì)模型預(yù)測(cè)的優(yōu)劣進(jìn)行評(píng)價(jià)。

2 結(jié) 果

2.1 高尿酸血癥檢出情況及單因素分析結(jié)果 2 754例研究對(duì)象中，共檢出454例高尿酸血癥，陽(yáng)性檢出率為16.49%。其中，男性患者249例，陽(yáng)性檢出率為23.85%(249/1 044)，女性患者205例，陽(yáng)性檢出率為11.99%(205/1 710)。單因素分析結(jié)果顯示，在所分析的27個(gè)指標(biāo)中，15個(gè)指標(biāo)差異有統(tǒng)計(jì)學(xué)意義(均P<0.05)，見表1。

表1 單因素分析結(jié)果

2.2 隨機(jī)森林預(yù)測(cè)模型分析結(jié)果 訓(xùn)練樣本為2 212例，ntree=500，mtry=6，基于此參數(shù)設(shè)置對(duì)測(cè)試集數(shù)據(jù)進(jìn)行分類;經(jīng)測(cè)試集檢驗(yàn)，模型預(yù)測(cè)的準(zhǔn)確率為92%。隨機(jī)森林模型袋外錯(cuò)誤率為10.05%，說明模型泛化性較好，不存在過擬合。隨機(jī)森林模型中各變量重要性排序見表2，其中0和1列分別顯示各個(gè)變量對(duì)預(yù)測(cè)為非高尿酸血癥和高尿酸血癥的貢獻(xiàn)大小，平均基尼降低值顯示變量對(duì)最終預(yù)測(cè)的重要程度。

表2 隨機(jī)森林預(yù)測(cè)模型分析結(jié)果

2.3 Logistic回歸模型分析結(jié)果 以是否患高尿酸血癥為因變量，以體質(zhì)指數(shù)、性別、年齡、糖尿病史、高血壓史、飲酒史、吸煙史、腰圍、總膽固醇、尿素氮、空腹血糖、LDL-C、HDL-C、三酰甘油、血肌酐等15個(gè)指標(biāo)為自變量進(jìn)行多因素非條件Logistic回歸分析，采用后退法篩選變量，變量進(jìn)入模型的水準(zhǔn)α=0.05，變量剔出模型的水準(zhǔn)α=0.10，分析的變量及其賦值方法見表3。結(jié)果顯示，男性、腰圍和體質(zhì)指數(shù)增加，以及三酰甘油、血肌酐水平升高均增加高尿酸血癥發(fā)生的危險(xiǎn)性(均P<0.05)，見表4。

表3 分析變量及賦值方法

變量賦值方法高尿酸血癥無(wú)=0,有=1性別男=0,女=1年齡20歲～=0,45歲～=1,60歲～=2糖尿病史無(wú)=0,有=1高血壓史無(wú)=0,有=1吸煙史無(wú)=0,有=1飲酒史無(wú)=0,有=1腰圍(cm)連續(xù)型變量體質(zhì)指數(shù)(kg/m2)連續(xù)型變量總膽固醇(mmol/L)連續(xù)型變量尿素氮(mmol/L)連續(xù)型變量空腹血糖(mmol/L)連續(xù)型變量LDL-C(mmol/L)連續(xù)型變量HDL-C(mmol/L)連續(xù)型變量三酰甘油(mmol/L)連續(xù)型變量血肌酐(μmol/L)連續(xù)型變量

表4 影響高尿酸血癥發(fā)生的多因素Logistic回歸分析結(jié)果

2.4 兩種模型的預(yù)測(cè)效果比較 將建立的預(yù)測(cè)模型應(yīng)用于測(cè)試集，比較兩種模型對(duì)高尿酸血癥的預(yù)測(cè)效果。Logistic回歸預(yù)測(cè)模型的AUC為0.658(P<0.001，95%CI：0.647～0.669)，隨機(jī)森林預(yù)測(cè)模型的AUC為0.759(P<0.001，95%CI：0.746～0.772)。隨機(jī)森林預(yù)測(cè)模型的AUC大于Logistic回歸預(yù)測(cè)模型的AUC(P=0.002)。選擇正確指數(shù)最高的點(diǎn)作為最佳臨界點(diǎn)，此時(shí)Logistic回歸預(yù)測(cè)模型的靈敏度、特異度、準(zhǔn)確率分別為87.7%、43.9%、82.3%，而隨機(jī)森林預(yù)測(cè)模型的靈敏度、特異度、準(zhǔn)確率分別為97.2%、54.5%、92.0%，見圖1。

圖1 兩種模型預(yù)測(cè)高尿酸血癥發(fā)生的ROC曲線

3 討 論

隨著我國(guó)社會(huì)經(jīng)濟(jì)的發(fā)展和城市化進(jìn)程的加快，高尿酸血癥的患病率明顯增加，且發(fā)病呈年輕化的趨勢(shì)，預(yù)測(cè)高尿酸血癥患病風(fēng)險(xiǎn)有助于及早發(fā)現(xiàn)和實(shí)施干預(yù)措施，從而提高人群健康水平。

目前，隨機(jī)森林模型應(yīng)用領(lǐng)域非常廣泛，特別在金融學(xué)、醫(yī)學(xué)以及生物學(xué)等領(lǐng)域均獲得不錯(cuò)的評(píng)價(jià)[8]，可以用于疾病發(fā)生風(fēng)險(xiǎn)的預(yù)測(cè)。該模型雖結(jié)構(gòu)復(fù)雜但卻容易使用，需要假設(shè)的條件比Logistic回歸模型要少。同時(shí)，隨機(jī)森林也不需要檢驗(yàn)變量的非線性作用和交互作用是否顯著[9]。隨機(jī)森林模型通過隨機(jī)選取一個(gè)特征子空間，再選取具有最佳Gini值的特征因子作為分割[10]，其不僅具有優(yōu)越的預(yù)測(cè)能力，而且可判別各影響變量的重要性程度。

本研究建立了隨機(jī)森林預(yù)測(cè)模型和Logistic回歸預(yù)測(cè)模型，并比較兩種模型對(duì)高尿酸血癥的預(yù)測(cè)效能，結(jié)果顯示，隨機(jī)森林預(yù)測(cè)模型的AUC為0.759， 提示其對(duì)高尿酸血癥有一定的預(yù)測(cè)效能，且其AUC、靈敏度、特異度、準(zhǔn)確率均優(yōu)于Logistic回歸預(yù)測(cè)模型，表明隨機(jī)森林模型對(duì)高尿酸血癥的預(yù)測(cè)能力優(yōu)于Logistic回歸預(yù)測(cè)模型。隨機(jī)森林預(yù)測(cè)模型最大的優(yōu)勢(shì)是能夠分析復(fù)雜非線性關(guān)系的數(shù)據(jù)以及對(duì)預(yù)測(cè)變量的數(shù)目沒有限制[11]，且能在變量個(gè)數(shù)大于樣本個(gè)數(shù)的數(shù)據(jù)中進(jìn)行判別和分類[12]；同時(shí)，其能提供各個(gè)自變量對(duì)模型預(yù)測(cè)的重要性分析，可以作為高尿酸血癥影響因素的重點(diǎn)觀察指標(biāo)。Logistic回歸模型是常用的概率預(yù)測(cè)模型，使用方法簡(jiǎn)單，預(yù)測(cè)能力較強(qiáng)，但是不能給出各個(gè)自變量對(duì)模型預(yù)測(cè)的重要性，Logistic回歸預(yù)測(cè)模型優(yōu)勢(shì)在于可以直觀解釋影響因素的相對(duì)危險(xiǎn)度。

本研究在隨機(jī)森林模型特征變量的重要性分析中，排名前5位的變量依次是血肌酐、三酰甘油、腰圍、體質(zhì)指數(shù)、尿素氮；而Logistic回歸分析顯示，性別、腰圍、體質(zhì)指數(shù)、三酰甘油、血肌酐是高尿酸血癥發(fā)病的重要影響因素。兩種模型的分析結(jié)果相似，說明預(yù)測(cè)結(jié)果穩(wěn)定可靠。結(jié)果提示，男性人群以及血肌酐、三酰甘油、腰圍、體質(zhì)指數(shù)、尿素氮異常者發(fā)生高尿酸血癥的風(fēng)險(xiǎn)增加(P<0.05)，需注意監(jiān)測(cè)血尿酸水平，防止高尿酸血癥的發(fā)生。

綜上所述，隨機(jī)森林模型對(duì)高尿酸血癥預(yù)測(cè)效果較好，可以作為L(zhǎng)ogistic回歸預(yù)測(cè)模型的補(bǔ)充，充分發(fā)揮兩種預(yù)測(cè)模型的優(yōu)越性。男性人群以及血肌酐、三酰甘油、腰圍、體質(zhì)指數(shù)、尿素氮異常者，應(yīng)定期進(jìn)行尿酸水平檢測(cè)，如發(fā)現(xiàn)這些指標(biāo)異常增高，應(yīng)盡早采取相應(yīng)的干預(yù)措施，以期降低高尿酸血癥發(fā)生的風(fēng)險(xiǎn)。