心血管疾病中高風險人群頸動脈粥樣硬化的識別：基于機器學習的預測模型及驗證

劉忠典 許琪 陳伊靜 覃玲巧 陳淑萍 唐薇婷 鐘秋安

【摘要】 背景 頸動脈粥樣硬化（CAS）常被視為心血管疾病（CVD）的預警信號，其診斷技術頸動脈多普勒超聲檢查沒有被納入公共衛生服務項目，同時弗雷明漢風險評分（FRS）存在著評估CAS風險準確性不足的情況，不利于基層醫療人員識別CAS。目前，關于機器學習方法識別FRS中高風險人群CAS的研究依然缺乏。目的 運用機器學習方法構建FRS中高風險人群CAS的預測模型，比較其判別效能，篩選出性能最優的模型，以期輔助基層醫療人員更簡便更準確地識別CAS。方法 采用方便抽樣法，選取2019—2021年和2023年在廣西壯族自治區柳州市兩鄉鎮的674例當地居民作為研究對象。收集相關信息，并采集空腹血樣、尿樣檢測生化指標。采用FRS評估CVD發生風險；運用頸動脈超聲診斷CAS。將2019—2021年517例研究對象按照8∶2的比例隨機分為訓練集和驗證集，訓練集用于構建Logistic回歸、隨機森林（RF）、支持向量機（SVM）、極端梯度增強（XGBoost）模型和梯度增強決策樹（GBDT）模型，驗證集用于內部驗證；2023年157例研究對象作為測試集，用于外部驗證。通過Lasso回歸分析篩選特征變量，運用靈敏度、特異度、準確度、F1值和曲線下面積（AUC）評價判別效能，外部驗證采用AUC值評價最優模型泛化能力，并通過Shapley Additive exPlanation（SHAP）方法探討影響最優模型識別CAS的重要變量。結果 通過Lasso回歸，篩選出15個非零特征變量：年齡、BMI、收縮壓（SBP）、吸煙、飲酒、高血壓、總膽固醇、高密度脂蛋白膽固醇、C-反應蛋白（CRP）、空腹血糖、載脂蛋白B（ApoB）、脂蛋白a（LPA）、天冬氨酸氨基轉移酶（AST）、AST/丙氨酸氨基轉移酶、尿微量白蛋白肌酐比值。構建的Logistic回歸、RF、SVM、XGBoost模型和GBDT模型的AUC值均較高，其中GBDT模型的判別性能最優，其靈敏度、特異度、準確度、F1值和AUC分別是0.755 1、0.836 4、0.798 1、0.778 9、

0.834 9，外部驗證AUC為0.794 0。SHAP方法發現年齡、SBP、CRP、LPA、ApoB是影響GBDT模型識別CAS排名前5的因素。結論 基于機器學習識別CAS的Logistic回歸、RF、SVM、XGBoost模型和GBDT模型均顯示出較高的判別性能，其中GBDT模型綜合判別效能最佳，同時具有較強的泛化能力。

【關鍵詞】 心血管疾病；頸動脈粥樣硬化；機器學習；弗雷明漢風險評分；識別；預測

【中圖分類號】 R 54 【文獻標識碼】 A DOI：10.12114/j.issn.1007-9572.2024.0019

Identification of Carotid Atherosclerosis in Medium-high Risk Population of Cardiovascular Disease：Prediction Model and Validation Based on Machine Learning

LIU Zhongdian，XU Qi，CHEN Yijing，QIN Lingqiao，CHEN Shuping，TANG Weiting，ZHONG Qiuan*

Department of Epidemiology，School of Public Health，Guangxi Medical University，Nanning 530021，China

*Corresponding author：ZHONG Qiuan，Professor/Doctoral supervisor；E-mail：qazhong@gxmu.edu.cn

【Abstract】 Background Carotid atherosclerosis（CAS）is often considered an early warning signal for cardiovascular diseases（CVD）. The diagnostic technique of carotid artery Doppler ultrasonography has not been included in public health service programs，and the Framingham Risk Score（FRS）lacks accuracy in assessing CAS risk，hindering the identification of CAS by primary healthcare personnel. Currently，there is a lack of research on machine learning methods to identify CAS in the medium-high risk population assessed by FRS. Objective To construct a CAS risk prediction model for the medium-high risk population assessed by FRS using machine learning methods，compare its discriminative efficacy，select the optimal model，and assist primary healthcare personnel in identifying CAS more conveniently and accurately. Methods Using convenience sampling method，a total of 674 local residents from two townships in Liuzhou City，Guangxi Zhuang Autonomous Region，who met the inclusion criteria from 2019 to 2021 and 2023，were selected as the study subjects. Relevant information was collected，and biochemical indicators were measured in fasting blood and urine samples. FRS was used to assess the risk of CVD occurrence，and carotid ultrasound was used to diagnose CAS. Among the 517 subjects from 2019 to 2021，a random 8∶2 split was used to create a training set and a validation set. The training set was used to build Logistic regression，Random Forest（RF），Support Vector Machine（SVM），Extreme Gradient Boosting（XGBoost），and Gradient Boosting Decision Tree（GBDT）models，while the validation set was used for internal validation. The 157 subjects from 2023 served as the test set for external validation. Feature variables were selected using Lasso regression analysis，and discriminative efficacy was evaluated using sensitivity，specificity，accuracy，F1 score，and area under curve（AUC）value. External validation assessed the generalization ability of the optimal model using AUC value，and the Shapley Additive exPlanation（SHAP）method explored the important variables influencing the optimal model's identification of CAS. Results Lasso regression analysis identified 15 feature variables：age，BMI，systolic blood pressure（SBP），smoking，drinking，hypertension，total cholesterol，high density lipoprotein cholesterol，C-reactive protein（CRP），fasting plasma glucose，apolipoprotein B（ApoB），lipoprotein a（LPA），aspartate aminotransferase （AST），AST/ alanine aminotransferase，urinary microalbumin creatinine ratio. The constructed Logistic regression，RF，SVM，XGBoost，and GBDT models exhibited high AUC values，with the GBDT model showing the best discriminative performance. Its sensitivity，specificity，accuracy，F1 score，and AUC value were 0.755 1，0.836 4，0.798 1，0.778 9，and 0.834 9，respectively，and the external validation AUC value was 0.794 0. The SHAP method revealed that age，SBP，CRP，LPA，and ApoB were the top five factors influencing the GBDT model's identification of CAS. Conclusion Logistic regression，RF，SVM，XGBoost，and GBDT models for identifying CAS based on machine learning all demonstrated high discriminative performance，with the GBDT model exhibiting the best comprehensive discriminative efficacy and strong generalization ability.

【Key words】 Cardiovascular diseases；Carotid atherosclerosis；Machine learning；Framingham risk score；Identification；Forecasting

心血管疾病（cardiovascular disease，CVD）是城鄉居民主要死亡原因之一，其發病率和死亡率仍在不斷上升，是中國居民的首要健康危險因素［1］。動脈粥樣硬化是CVD的主要病理基礎，頸動脈常是最早受累的部位，因此，頸動脈粥樣硬化（carotid atherosclerosis，CAS）通常被認為是CVD的預警信號［2］。在診斷方面，多普勒超聲檢測頸動脈內-中膜厚度（carotid intima-media thickness，CIMT）是判斷CAS病變程度的可靠技術［3］。2009年以來，基本公共衛生服務項目在不斷“擴容”，至2019年增加到12類服務項目［4］，但頸動脈多普勒超聲檢查并沒有被納入其中，不能滿足CVD早期防治的需求；弗雷明漢風險評分（Framingham Risk Score，FRS）是被廣泛應用的一種心血管風險評估方法，但其存在著評估CAS風險準確性不足的情況［5-6］，可能會導致基層醫療人員不能準確識別CAS。因此，亟需探索更簡便有效的方法以早期識別CAS。近年來越來越多學者采用機器學習通過容易獲取的因素對疾病進行識別，在個體自測和臨床應用上均取得良好的效果［7］。

目前，關于機器學習識別FRS中高風險群體CAS的研究報道相對較少，為加強這一方面的研究，本研究選用Logistic回歸、隨機森林（Random Forest，RF）、支持向量機（Support Vector Machine，SVM）、極端梯度增強（Extreme Gradient Boosting，XGBoost）和梯度增強決策樹（Gradient Boosting Decision Tree，GBDT）構建FRS中高風險群體（FRS>6%）CAS預測模型，并篩選出最優模型，以期輔助基層醫療人員更簡便、更準確、更早地識別CAS，為臨床防治工作提供科學依據。

1 對象與方法

1.1 研究對象

采用方便抽樣法，于2019—2021年和2023年在廣西壯族自治區柳州市兩個鄉鎮選取當地居民1 169例作為研究對象，其中2019—2021年852例居民用于模型構建及內部驗證，2023年317例居民用于外部驗證。納入標準：（1）30～74歲；（2）FRS>6%；（3）接受頸動脈多普勒超聲檢查。排除標準：（1）患有重大疾病的個體，如惡性腫瘤、嚴重感染性疾病、精神疾病等；（2）已被確診為冠心病、腦卒中或外周動脈疾病；（3）協變量存在缺失。基于納排標準，最終納入674例（2019—2021年：517例；2023年：157例）符合條件的研究對象。本研究經廣西醫科大學倫理委員會批準（2019-SB-094），研究對象均已簽署知情同意書。

1.2 研究方法

1.2.1 一般資料：通過課題組自行設計的問卷收集研究對象的性別、年齡、民族、受教育程度、體力活動、吸煙史、飲酒史、疾病史和藥物使用情況等。體格檢查主要包括BMI、腰圍、心率、收縮壓（SBP）及舒張壓（DBP）。實驗室檢查指標包括總膽固醇（TC）、三酰甘油（TG）、低密度脂蛋白膽固醇（LDL-C）、高密度脂蛋白膽固醇（HDL-C）、空腹血糖（FPG）、尿微量白蛋白（ALB）、C-反應蛋白（CRP）、尿肌酐（UCR）、脂蛋白a（LPA）、載脂蛋白A（ApoA）、載脂蛋白B（ApoB）、丙氨酸氨基轉移酶（ALT）及天冬氨酸氨基轉移酶（AST），并計算尿微量白蛋白/肌酐比值（ACR）=ALB/UCR。體力活動按國際體力活動問卷（短卷）［8］計算體力活動當量，以代謝當量（MET-min/w）表示。

1.2.2 FRS標準：本研究使用FRS評估人群CVD風險，將FRS>6%定義為CVD中高風險［9］。

1.2.3 CAS診斷：CAS定義為CIMT增加≥1 mm或斑塊形成［10］。CIMT的定義及詳細測量方法詳見既往研究［11］。斑塊定義為侵犯動脈管腔至少0.5 mm或周圍CIMT值的50%的局灶性結構，或CIMT>1.5 mm［12］。由專業的超聲醫師負責頸動脈多普勒超聲檢查，經專業化培訓的調查人員負責相應數據的記錄。根據CAS診斷結果將517例居民分為兩組：正常組（272例）和CAS組（245例）。

1.2.4 相關定義：（1）吸煙，從不吸煙為總吸煙量<100支；曾經吸煙為>100支但調查前30 d未吸煙；當前吸煙為>100支且調查前30 d吸煙［13］。（2）飲酒，從不飲酒為飲酒<12個標準飲酒單位；曾經飲酒為既往飲酒≥12個標準飲酒單位但最近1年飲酒<1個標準飲酒單位；當前飲酒為既往飲酒≥12個標準飲酒單位且最近1年飲酒≥1個標準飲酒單位及以上［14］。（3）腎功能按慢性腎臟病流行病學協作公式計算估算腎小球濾過率（estimated glomerular filtration rate，eGFR），eGFR≥90 mL·min-1·（1.73 m2）-1定義為腎功能正常；eGFR<90 mL·min-1·（1.73 m2）-1定義為腎功能下降［15］。（4）高血壓：參照《中國高血壓防治指南（2018 年修訂版）》，SBP≥140 mmHg （1 mmHg=0.133 kPa）和/或DBP≥90 mmHg、既往診斷為高血壓或正在服用降壓藥物者［16］。（5）糖尿病定義為本次調查FPG≥7.0 mmol/L，或自述有正在服用降糖藥或患有糖尿病［17］。（6）脂代謝異常，TC≥200 mg/dL、TG≥150 mg/dL、LDL-C≥130 mg/dL、HDL-C<40 mg/dL、正在使用降脂藥物，滿足任意1項［18-19］。（7）代謝綜合征依據國際糖尿病聯盟對代謝綜合征的定義［20］。（8）疾病一級親屬家族史，一級親屬（父親、母親、兄弟姐妹、兒子、女兒）中至少有1人患該疾病［11］。

1.3 模型構建

運用Python 3.7.4的scikit-learn 2.2.2庫構建模型。將Lasso回歸篩選出來的特征變量（連續變量進行歸一化處理）作為輸入變量，以CAS作為結局變量，使用scikit-learn 2.2.2中train_test_split模塊將全部樣本按照8∶2的比例隨機分為訓練集和驗證集，并保持劃分后的數據集中陽性和陰性病例之間比例與全部數據集中的一致，在訓練集中分別使用Logistic Regression、Random Forest Classifier、SVC、XGBClassifier、Gradient Boosting Classifier模塊構建Logistic回歸、RF、SVM、XGBoost模型和GBDT模型；采用GridSearchCV模塊（網格搜索算法）對每個模型進行參數調優，將曲線下面積（area under curve，AUC）值作為評價指標。在驗證集中采用靈敏度、特異性、準確度、F1值、AUC值評估5種模型的判別性能，篩選最優模型。在測試集中對最優模型進行外部驗證，采用AUC值評估模型的泛化能力。

使用Shapley Additive exPlanation（SHAP）方法探討每個特征變量對最優預測模型的具體影響。

1.4 統計學方法

采用R（4.1.3）進行統計分析。計量資料符合正態分布的以（x-±s）表示，兩組間比較采用獨立樣本t檢驗；計量資料不符合正態分布的以M（P25，P75）表示，兩組間比較采用Mann-Whitney U檢驗；計數資料以相對數表示，兩組間比較采用χ2檢驗。以CAS為因變量，使用Lasso回歸分析篩選特征變量。繪制各模型在驗證集中識別CAS的受試者工作特征（ROC）曲線，計算各模型的AUC并進行比較。以P<0.05為差異有統計學意義。

2 結果

2.1 一般資料

517例居民中男210例（40.6%）、女307例（59.4%），平均年齡（60.2±7.9）歲，CAS診斷245例（47.4%）、正常診斷272例（52.6%）。兩組間性別、民族、受教育程度、腰圍、心率、DBP、吸煙史、飲酒史、糖尿病、體力活動、FPG、TC、LDL-C、脂代謝異常、代謝綜合征、ApoA、ApoB、ApoA/ApoB、ALT、AST、UCR、ALB、ACR比較，差異均無統計學意義（P>0.05）；兩組間年齡、BMI、SBP、高血壓、HDL-C、TG、腎功能、CRP、LPA、AST/ALT比較，差異均有統計學意義（P<0.05），見表1。

2.2 Lasso回歸篩選特征變量

以居民是否診斷為CAS為因變量，以36個可能的影響因素為自變量進行Lasso回歸模型篩選變量。其中分類變量賦值表見表2，年齡、心率、腰圍、BMI、體力活動、SBP、DBP、FPG、TC、HDL-C、LDL-C、TG、CRP、LPA、ApoA、ApoB、ApoA/ApoB、UCR、ALB、ALT、AST、AST/ALT、ACR均為實測值。最終篩選出15個非零系數變量：年齡、BMI、SBP、吸煙、飲酒、高血壓、TC、HDL-C、CRP、FPG、ApoB、LPA、AST、AST/ALT、ACR（圖1、表3）。

2.3 構建機器學習模型

將Lasso回歸篩選出的變量納入Logistic回歸、RF、SVM、XGBoost模型及GBDT模型，通過網格搜索方法，以AUC值作為評價指標，在訓練集中確定每個模型的最優參數分別為Logistic回歸：solver=“liblinear”，max_iter=500，penalty=“l2”；RF：n_estimators=500，criterion=“gini”，bootstrap=True，max_depth=20，max_features=“auto”，min_samples_leaf=2，min_samples_split=2；SVM：kernel=“rbf”，C=1，gamma=0.01；XGBoost模型：learning_rate=0.007，n_estimators=500，max_depth=2，min_child_weight=8，gamma=0.8，subsample=0.8，colsample_bytree=0.8，objective=“binary：logistic”，nthread=4；GBDT模型：n_estimators=500，learning_rate=0.008，max_depth=2，subsample=0.8，max_features=“sqrt”，min_samples_split=5，min_samples_leaf=2，random_state=1117。

2.4 各模型對CAS的判別性能比較

將構建的Logistic回歸、RF、SVM、XGBoost模型和GBDT模型在驗證集中進行內部驗證，結果顯示各模型的AUC均較高。其中SVM的AUC最高，GBDT模型靈敏度、特異度、準確度和F1值均最高。綜合評價，GBDT模型的判別性能最優，見圖2、表4。

2.5 模型外部驗證

對內部驗證中性能最佳的GBDT模型進行外部驗證，測試模型的泛化能力。結果顯示，GBDT模型外部驗證集中的AUC（0.794 0）較內部驗證集（0.834 9）有所下降，但仍>0.7，提示本研究構建的GBDT模型具有較強的外部泛化能力。

2.6 SHAP方法探討最優模型的解釋性

在圖3A中，按平均絕對SHAP值排序，展示了影響模型識別CAS的因素。這有助于直觀地理解每個因素對模型識別的貢獻程度。在圖3B中，y軸顯示了每個變量的重要性，最重要的變量位于圖表頂部，最不重要的變量位于底部。x軸表示SHAP值，衡量了每個變量對模型識別的貢獻大小。正值表示增加識別結果的可能性，負值表示減小識別結果的可能性。通過這個圖表，可以清晰地了解每個變量對CAS識別的影響。點的顏色代表了變量的原始值，紅色代表高值，藍色代表低值。這就可以直觀地觀察變量的原始值與其對模型識別的影響之間的關系。結果顯示，重要性排序前5名的變量依次為年齡、SBP、CRP、LPA、ApoB，圖3B顯示隨著變量的升高而增加了CAS發生的風險。

3 討論

本研究結果顯示FRS中高風險群體中未識別出CAS的個體占比為52.6%，與既往研究結果相似［5-6］，提示根據FRS識別CAS準確性不足。為了提高FRS中高風險群體CAS早期識別的準確性，本研究構建了該群體CAS的風險預測模型，并篩選出最優模型，更準確地識別CAS，以優化個體的預防和治療策略，減輕醫療負擔，避免醫療資源浪費。

本研究基于機器學習運用Logistic回歸、RF、SVM、XGBoost和GBDT算法構建了5個預測模型。全部模型的AUC值均較高，其中GBDT模型的綜合判別效能最優（靈敏度=0.755 1，特異度=0.836 4，準確度=0.798 1，F1值=0.778 9，AUC=0.834 9），與同類型的研究［21-23］相比，該模型被認為是具有較高精度的預測模型；在外部驗證中也展現出了較強的泛化能力（AUC=0.794 0）。GBDT算法是機器學習方法之一，也稱為多元加性回歸樹，比Logistic、決策樹和RF算法具有更準確地識別能力和復雜的算法［24］，具有許多非線性變換和扎實的表現能力，不需要復雜的特征工程和變換［25］。GBDT模型被廣泛運用于疾病的識別，均表現出較好的判別性能。WU等［21］運用4種機器學習方法XGBoost、GBDT、RF和SVM構建在無癥狀人群中頸動脈斑塊識別模型，GBDT模型AUC為0.836 7，具有較高的判別性能。YE等［26］利用重癥監護醫學信息數據庫（MIMIC）Ⅳ數據庫中患者的生命體征和實驗室檢查等多項指標，建立了基于機器學習的慢性腎臟疾病合并冠狀動脈疾病的重癥監護病房患者的住院死亡率的預測模型，其中最優模型為GBDT模型，AUC可達0.946。LIU等［27］基于人工智能構建心肌梗死風險預測模型，用于預警住院患者心肌梗死的發生，其中GBDT模型為最優模型，AUC為0.91。LIU等［28］利用機器學習方法構建急性胰腺炎患者膿毒癥風險預測模型，并將最優模型GBDT模型與Logistic回歸模型和評分系統進行比較，顯示判別性能優于Logistic回歸模型和評分系統。SU等［29］使用機器學習方法結合縱向數據來預測中國老年人2年內慢性腎臟疾病發展的風險，GBDT模型表現出較好的判別性能。

本研究通過SHAP方法對GBDT模型進行可視化解釋，對模型判別性能影響排序前5名的變量依次為年齡、SBP、CRP、LPA、ApoB，同時也表明年齡小、低SBP、低CRP、低LPA和低ApoB可以降低CAS發生的風險。張萍等［30］研究表明隨著年齡增長，動脈管壁結構的膠原纖維和彈力纖維比例失調，導致動脈壁增厚、順應性降低，加上一些疾病引起的血管內皮功能障礙和結構異常，促使粥樣硬化的發生。唐焱等［31］也發現年齡是頸動脈斑塊形成的危險因素，隨著年齡的增加CAS斑塊也明顯提升，并且不少研究也視其為獨立危險因素。有研究表明高血壓患者中CAS發生率更高，且SBP升高更為明顯［32］。以往的研究表明，即使沒有其他CVD危險因素存在，炎癥仍然能夠引發CAS的形成［33］。高水平的炎癥可能導致內皮通透性的過度增加，這表示內皮屏障的完整性受到破壞。受損的內皮細胞通過進一步表達黏附分子和趨化因子，使白細胞能夠在內皮上滾動、附著并最終進入血管壁，從而促進了血管壁炎癥的發展［34］。研究表明，LPA與頸動脈粥樣硬化斑塊發生關系密切，作用機理主要與膽固醇代謝以及纖維蛋白水解作用相關；高LPA患者心肌梗死和冠心病發病率高于健康人，腦動脈硬化患者LPA不僅顯著高于健康人，還和病變的程度密切相關［35-36］。一項包括8項隊列和4項病例對照研究的薈萃分析得出結論，ApoB水平升高是首次缺血性卒中的危險因素［37］。本研究結果與上述研究結果一致，與臨床實踐也基本一致，說明本研究所構建的GBDT模型具有較強的合理性。

基層醫療衛生機構是實現當地群眾就近就醫、方便就醫的首要環節，直接面對當地群眾的醫療服務和衛生需求；同時，基層醫療衛生機構也是初級醫療衛生保健服務的主要提供者，發揮著醫療費用“守門人”和居民健康管理的重要作用，并向確有專科轉診需要的首診患者提供專業性的建議［38］。有研究表明，心腦血管疾病患者的門診治療費用在家庭衛生支出中占比高達44.05%，超過了所有疾病治療費用在家庭衛生支出中所占的比例（34.85%），心腦血管疾病患者門診治療費用負擔相對較為沉重，因此為了控制醫療費用和減輕疾病經濟負擔，有必要將心腦血管疾病列為未來疾病預防和控制的重點［39］。早診早治是心腦血管疾病防治的關鍵，本研究所構建CAS風險預測模型的特征變量為公共衛生服務項目所包含的檢測指標，容易獲取，增加了模型的實用性，同時可以提高基層醫務人員識別CAS的簡便性和準確性，這有助于早期識別并在病情惡化之前采取有效的預防和治療策略，提高患者的生活質量，同時通過減少CAS引起的心血管事件，有望帶來顯著的社會經濟效益，減輕醫療負擔，提高健康資源的利用效率。

本研究存在一定的局限性：首先，采用方便抽樣方法，存在著一定的選擇偏倚；其次，女性占比偏高，可能與男性多在外地工作有關；再者，研究對象缺少相關服藥資料，可能會對研究結果造成一定的影響；最后，研究對象大多來源于鄉鎮地區，對研究結果的外推有一定影響。

綜上所述，本研究通過Lasso回歸篩選出與CAS相關的特征變量，構建基于Logistic回歸、RF、SVM、XGBoost和GBDT的FRS中高風險群體CAS預測模型，通過靈敏度、特異度、準確度、F1值和AUC值這5個評價指標綜合評估判別性能，結果表明GBDT模型識別CAS的效果最佳，同時具有較強的泛化能力；運用SHAP方法對GBDT模型進行可視化解釋，年齡、SBP、CRP、LPA、ApoB是對模型判別效能最重要的變量，同時也是CAS的危險因素。這一研究成果有望幫助基層醫務人員進行更準確的評估、提高CAS的識別和治療覆蓋率及合理分配醫療資源，并為FRS中高風險群體CAS的早期干預提供科學依據，進一步改善基層居民心血管健康、提高醫療服務水平以及促進社會公共衛生。在未來的研究和實踐中，建議進一步驗證和拓展模型的適用性，以確保其在不同人群中的有效性。

作者貢獻：劉忠典、許琪、陳伊靜、覃玲巧、陳淑萍、唐薇婷進行研究的實施、數據收集與整理；劉忠典負責進行統計學處理、結果的分析與解釋及撰寫論文；劉忠典、鐘秋安進行論文的修訂；鐘秋安進行文章的構思與設計、可行性分析，負責文章的質量控制及審校。

本文無利益沖突。

劉忠典：https：//orcid.org/0009-0003-3135-6800

參考文獻

胡盛壽，王增武. 《中國心血管健康與疾病報告2022》概述［J］. 中國心血管病研究，2023，21（7）：577-600.

SAKELLARIOS A I，BIZOPOULOS P，PAPAFAKLIS M I，et al. Natural history of carotid atherosclerosis in relation to the hemodynamic environment［J］. Angiology，2017，68（2）：109-118. DOI：10.1177/0003319716644138.

JOHRI A M，NAMBI V，NAQVI T Z，et al. Recommendations for the assessment of carotid arterial plaque by ultrasound for the characterization of atherosclerosis and evaluation of cardiovascular risk：from the American society of echocardiography［J］. J Am Soc Echocardiogr，2020，33（8）：917-933. DOI：10.1016/j.echo.2020.04.021.

尤莉莉，陳新月，楊凌鶴，等. 國家基本公共衛生服務項目十年評價（2009—2019年）系列報告（三）——國家基本公共衛生服務項目實施十年：挑戰與建議［J］. 中國全科醫學，2022，25（26）：3221-3231. DOI：10.12114/j.issn.1007-9572.2022.0406.

PEN A，YAM Y，CHEN L，et al. Discordance between Framingham Risk Score and atherosclerotic plaque burden［J］. Eur Heart J，2013，34（14）：1075-1082. DOI：10.1093/eurheartj/ehs473.

易艷珊，農青嬌，毛寶玉，等. 基于弗明翰風險評分與血管內皮功能分類的心血管疾病危險因素研究［J］. 中國全科醫學，2018，21（16）：1959-1964. DOI：10.3969/j.issn.1007-9572.2018.16.011.

RIDKER P M，BURING J E，RIFAI N，et al. Development and validation of improved algorithms for the assessment of global cardiovascular risk in women：the Reynolds Risk Score［J］. JAMA，2007，297（6）：611-619. DOI：10.1001/jama.297.6.611.

樊萌語，呂筠，何平平. 國際體力活動問卷中體力活動水平的計算方法［J］. 中華流行病學雜志，2014，35（8）：961-964. DOI：10.3760/cma.j.issn.0254-6450.2014.08.019.

D'AGOSTINO R B Sr，VASAN R S，PENCINA M J，et al. General cardiovascular risk profile for use in primary care：the Framingham Heart Study［J］. Circulation，2008，117（6）：743-753. DOI：10.1161/CIRCULATIONAHA.107.699579.

WANG X J，LI W Z，SONG F J，et al. Carotid atherosclerosis detected by ultrasonography：a national cross-sectional study［J］. J Am Heart Assoc，2018，7（8）：e008701. DOI：10.1161/JAHA.118.008701.

陳潤霖，何土鳳，陶俐均，等. 心血管危險因素對頸動脈內中膜進展的影響研究［J］. 中國全科醫學，2023，26（14）：1709-1715. DOI：10.12114/j.issn.1007-9572.2022.0750.

TOUBOUL P J，HENNERICI M G，MEAIRS S，et al. Mannheim carotid intima-media thickness and plaque consensus （2004-2006-2011）. An update on behalf of the advisory board of the 3rd，4th and 5th watching the risk symposia，at the 13th，15th and 20th European Stroke Conferences，Mannheim，Germany，2004，Brussels，Belgium，2006，and Hamburg，Germany，2011［J］. Cerebrovasc Dis，2012，34（4）：290-296. DOI：10.1159/000343145.

HORNE D J，CAMPO M，ORTIZ J R，et al. Association between smoking and latent tuberculosis in the U.S. population：an analysis of the National Health and Nutrition Examination Survey［J］. PLoS One，2012，7（11）：e49050. DOI：10.1371/journal.pone.0049050.

KUO C C，WEAVER V，FADROWSKI J J，et al. Arsenic exposure，hyperuricemia，and gout in US adults［J］. Environ Int，2015，76：32-40. DOI：10.1016/j.envint.2014.11.015.

LEVEY A S，STEVENS L A，SCHMID C H，et al. A new equation to estimate glomerular filtration rate［J］. Ann Intern Med，2009，150（9）：604-612. DOI：10.7326/0003-4819-150-9-200905050-00006.

戴燁. 基于《中國高血壓防治指南（2018修訂版）》對某院門診降壓藥應用情況的調查［J］. 中國社區醫師，2022，38（12）：11-13.

《中國老年型糖尿病防治臨床指南》編寫組. 中國老年2型糖尿病防治臨床指南（2022年版）［J］. 中國糖尿病雜志，2022，30（1）：2-51. DOI：10.3969/j.issn.1006-6187.2022.01.002.

EXPERT PANEL ON DETECTION E. Executive summary of the third report of the national cholesterol education program（NCEP）expert panel on detection，evaluation，and treatment of high blood cholesterol in adults（adult treatment panelⅢ）［J］. JAMA，2001，285（19）：2486-2497. DOI：10.1001/jama.285.19.2486.

諸駿仁，高潤霖，趙水平，等. 中國成人血脂異常防治指南（2016年修訂版）［J］. 中國循環雜志，2016，31（10）：937-953.

金文勝，潘長玉. 國際糖尿病聯盟關于代謝綜合征定義的全球共識［J］. 中華內分泌代謝雜志，2005，21（4）：附錄4b-1-附錄4b-2. DOI：10.3760/j.issn：1000-6699.2005.04.054.

WU D，CUI G S，HUANG X X，et al. An accurate and explainable ensemble learning method for carotid plaque prediction in an asymptomatic population［J］. Comput Methods Programs Biomed，2022，221：106842. DOI：10.1016/j.cmpb.2022.106842.

YU J，ZHOU Y，YANG Q，et al. Machine learning models for screening carotid atherosclerosis in asymptomatic adults［J］. Sci Rep，2021，11（1）：22236. DOI：10.1038/s41598-021-01456-3.

龔軍，鐘小鋼，談軍濤，等. “網格搜索+XGBoost”算法建立兒童膿毒性休克預測模型［J］. 解放軍醫學雜志，2020，

45（12）：1270-1276.

ZHOU Z H，FENG J. Deep forest［J］. Natl Sci Rev，2019，6（1）：74-86. DOI：10.1093/nsr/nwy108.

ZHANG Z D，JUNG C. GBDT-MO：gradient-boosted decision trees for multiple outputs［J］. IEEE Trans Neural Netw Learn Syst，2021，32（7）：3156-3167. DOI：10.1109/TNNLS.2020.3009776.

YE Z X，AN S Y，GAO Y X，et al. The prediction of in-hospital mortality in chronic kidney disease patients with coronary artery disease using machine learning models［J］. Eur J Med Res，2023，28（1）：33. DOI：10.1186/s40001-023-00995-x.

LIU R，WANG M Y，ZHENG T，et al. An artificial intelligence-based risk prediction model of myocardial infarction［J］. BMC Bioinformatics，2022，23（1）：217. DOI：10.1186/s12859-022-04761-4.

LIU F，YAO J，LIU C Y，et al. Construction and validation of machine learning models for sepsis prediction in patients with acute pancreatitis［J］. BMC Surg，2023，23（1）：267. DOI：10.1186/s12893-023-02151-y.

SU D，ZHANG X Y，HE K，et al. Individualized prediction of chronic kidney disease for the elderly in longevity areas in China：machine learning approaches［J］. Front Public Health，2022，10：998549. DOI：10.3389/fpubh.2022.998549.

張萍，郭秀麗，張鵬華. 頸動脈粥樣硬化與血管危險因素的相關性［J］. 中國老年學雜志，2017，37（5）：1132-1134. DOI：10.3969/j.issn.1005-9202.2017.05.041.

唐焱，周宏，羅光華，等. 缺血性腦卒中患者CAS斑塊超聲、CT血管造影及臨床相關危險因素分析［J］. 中國動脈硬化雜志，2016，24（4）：391-395.

高素穎，顏應琳，于凱，等. 急性缺血性腦卒中頸動脈粥樣硬化的危險因素研究［J］. 中國全科醫學，2021，24（3）：327-332. DOI：10.12114/j.issn.1007-9572.2020.00.401.

TALEB S. Inflammation in atherosclerosis［J］. Arch Cardiovasc Dis，2016，109（12）：708-715. DOI：10.1016/j.acvd.2016.04.002.

XU S W，ILYAS I，LITTLE P J，et al. Endothelial dysfunction in atherosclerotic cardiovascular diseases and beyond：from mechanism to pharmacotherapies［J］. Pharmacol Rev，2021，73（3）：924-967. DOI：10.1124/pharmrev.120.000096.

孔祥鋒，王萍，陳明. 脂蛋白（a）與腦梗死患者頸動脈粥樣硬化、纖維蛋白原、D-二聚體的關系［J］. 重慶醫科大學學報，2011，36（9）：1101-1102. DOI：10.13406/j.cnki.cyxb.2011.09.027.

張瑋，席艷，孫慧君，等. 脂蛋白A與血栓及動脈粥樣硬化的關系［J］. 中國現代醫學雜志，2007，17（20）：2500-2502，2505. DOI：10.3969/j.issn.1005-8982.2007.20.019.

DONG H L，CHEN W，WANG X Y，et al. Apolipoprotein A1，B levels，and their ratio and the risk of a first stroke：a meta-analysis and case-control study［J］. Metab Brain Dis，2015，30（6）：1319-1330. DOI：10.1007/s11011-015-9732-7.

周忠良，范小靜. 西部地區基層醫療衛生服務質量及提升策略［J］. 西安交通大學學報（社會科學版），2023，43（6）：188-200. DOI：10.15896/j.xjtuskxb.202306016.

張毓輝，翟鐵民，柴培培，等. 我國心腦血管疾病治療費用核算及預測研究［J］. 中國衛生經濟，2019，38（5）：18-22. DOI：10.7664/CHE20190505.

（收稿日期：2024-02-19；修回日期：2024-04-30）

（本文編輯：康艷輝）