机器学习驱动的代谢综合征预测模型：基于伊朗库尔德人群队列研究的创新发现与临床转化价值

　　本研究针对代谢综合征（MetS）早期诊断需求，利用机器学习算法对9602名伊朗库尔德成年人队列数据进行分析。研究人员通过Boruta特征选择算法筛选出腰围（WC）、体质指数（BMI）、空腹血糖（FBS）等关键预测指标，构建了侵入式（AUC 0.89/0.86）和非侵入式（AUC 0.75）预测模型。该研究为MetS的早期筛查提供了高效工具，特别适用于资源有限的临床环境与大样本人群研究。

　　

代谢综合征（Metabolic Syndrome, MetS）作为一组包括腹型肥胖、高血压、血糖异常和血脂紊乱的心血管代谢紊乱症候群，正成为全球性的健康挑战。根据国际糖尿病联盟（IDF）标准，MetS患者未来5-10年内发生心血管疾病（CVD）的风险是非患者的2倍，罹患2型糖尿病（T2DM）的风险更高达5倍。在低收入和中等收入国家，MetS的患病率介于10%至47%之间，而伊朗根据IDF标准的患病率高达30%。尽管存在IDF、ATP III（成人治疗组III）等多种诊断标准，但传统方法在早期筛查和大规模人群应用方面仍存在局限。因此，开发准确、便捷的预测工具对MetS的早期干预和并发症防控具有重要意义。

在此背景下，Mirzaei等研究人员在《European Journal of Medical Research》发表了一项基于机器学习算法的大规模人群研究，旨在利用 anthropometric（人体测量学）、biochemical（生化）和 nutritional（营养）指标构建MetS预测模型，为临床和公共健康筛查提供新方案。

研究人员利用伊朗Ravansar非传染性疾病队列（RaNCD）的9602名35–65岁成年人基线数据，采用IDF标准定义MetS，通过Boruta算法（一种基于随机森林的包装特征选择方法）筛选关键变量，并运用ROC曲线和十折交叉验证评估模型性能。主要技术方法包括：人体测量（体重、身高、腰围等）、血压测量、生化指标检测（FBS、TG、HDL-C等）、膳食能量摄入评估（FFQ问卷）以及机器学习建模（Boruta算法与logistic回归）。

研究结果：

重要性变量分析

通过Boruta算法确定甘油三酯（TG）、空腹血糖（FBS）、高密度脂蛋白胆固醇（HDL-C）、腰围（WC）和收缩压（SBP）为预测MetS的最重要变量，其重要性值（IV）在所有参与者中最高。

总体预测模型

共构建8个逻辑回归模型。非侵入式模型（仅包含人体测量、血压和能量摄入变量）表现出良好预测效能。其中Model 1（含年龄、WC、BMI、SBP、DBP）的AUC达0.756（95% CI 0.746–0.766），虽低于侵入式参考模型（AUC 0.916），但仍具备良好筛查能力。

性别分层模型

在男性中，Model 2（含WC、BMI、FBS、SBP、DBP、TG、HC等）AUC为0.869（0.858–0.879）；非侵入式Model 8（年龄、WC、BMI、SBP、DBP）AUC为0.819（0.806–0.831）。在女性中，Model 1（侵入式）AUC为0.867（0.853–0.881），与非侵入Model 8（AUC 0.737）均显示显著预测效力。

讨论与结论

本研究证实，基于机器学习构建的侵入式模型（含FBS、TG、HDL-C等生化指标）具有与IDF参考模型相近的预测精度（AUC > 0.86），而非侵入式模型（依赖年龄、WC、BMI、血压等）则提供了便捷、低成本的筛查替代方案，特别适用于医疗资源有限场景或大规模流行病学研究。能量摄入作为预测变量首次在模型中得到验证，强调了营养因素在MetS发生中的重要性。

该研究的优势在于大样本代表性（库尔德人群）、先进算法应用（Boruta包装算法）以及模型的可转化性。局限包括潜在回忆偏倚（FFQ问卷）、人群特异性（结果外推需验证）以及未纳入遗传和生活方式等多维度变量。

总之，该研究为MetS的早期识别提供了多种高效预测工具，融合了临床实用性与学术前瞻性，对全球MetS防控策略具有重要参考价值。