单核细胞-高密度脂蛋白胆固醇比率（MHR）与哮喘风险的关联：基于NHANES的机器学习预测模型构建与验证

　　本研究基于NHANES大数据，通过机器学习算法探讨新型炎症标志物单核细胞-高密度脂蛋白胆固醇比率（MHR）与哮喘发病风险的关系。研究人员采用Boruta特征选择算法筛选出13个关键预测变量，构建了包含MHR的列线图预测模型，并通过Xgboost机器学习模型验证（AUC=0.640）。结果显示MHR与哮喘风险呈正相关，心血管疾病（CVD）、年龄、BMI等是重要预测因子，为哮喘风险分层提供了新的炎症生物学标志物和预测工具。

　　

哮喘作为一种常见的慢性呼吸系统疾病，全球患病率持续上升，给医疗系统带来沉重经济负担。尽管现有生物标志物如嗜酸性粒细胞计数、呼出气一氧化氮（FeNO）等已被广泛应用，但它们难以全面反映哮喘的异质性，亟需寻找新型生物标志物以改善风险预测和个性化管理。单核细胞-高密度脂蛋白胆固醇比率（MHR）作为新兴的炎症指标，在多种慢性疾病中已显示出与疾病风险的关联，但其在哮喘中的作用尚未明确。

为探究MHR与哮喘风险的关系，研究人员利用美国国家健康与营养调查（NHANES）2001-2018年的数据，纳入28,855名参与者，通过加权逻辑回归分析发现MHR与哮喘发病率呈显著正相关（P<0.05）。研究采用Boruta算法进行特征选择，筛选出13个关键变量（吸烟、年龄、高血压、心血管疾病、婚姻状况、性别、种族、贫困收入比、体重指数、癌症、教育程度、糖尿病和MHR），并构建了列线图预测模型。该模型在训练队列中曲线下面积（AUC）为0.64，随后将所选变量纳入10种机器学习模型进行比较，结果显示Xgboost模型性能最佳（AUC=0.640）。通过SHAP（SHapley Additive exPlanations）分析进一步揭示心血管疾病（CVD）是最重要预测因子，其次为年龄、BMI、贫困收入比（PIR）和性别。该研究发表于《European Journal of Medical Research》，为哮喘风险预测提供了新的炎症标志物和机器学习辅助工具。

研究主要采用的关键技术方法包括：利用NHANES大型队列数据库（2001-2018）的横断面数据；通过Boruta特征选择算法（基于随机森林）筛选变量；构建列线图预测模型并进行ROC曲线、校准曲线和决策曲线分析；整合10种机器学习算法（包括Logistic回归、SVM、Xgboost等）进行模型比较；采用SHAP值进行模型可解释性分析。

研究结果：

Characteristics of participants

哮喘患者更可能为女性、年轻、西班牙裔或其他种族，教育程度较高但收入较低，BMI更高，吸烟史和高血压、CVD、癌症、糖尿病患病率更高，MHR水平显著升高（P<0.05）。

Boruta algorithm analysis

Boruta算法确定13个重要变量：性别、种族、吸烟、高血压、糖尿病、癌症、PIR、BMI、CVD、年龄、MHR、教育程度和婚姻状况。

Construction of the nomogram prediction model and plotting of the ROC curve, calibration curve, and DCA curve

基于Boruta所选变量构建列线图预测模型，ROC曲线显示AUC为0.64，校准曲线和决策曲线分析表明模型具有中等判别能力和临床实用性。

ML model development and validation

在10种机器学习模型中，Xgboost表现最佳（AUC=0.640），其他模型如随机森林、SVM等AUC均较低。

SHAP value interpretation

SHAP分析显示CVD贡献度最高，其次为年龄、BMI、PIR和性别， Beeswarm图和瀑布图可视化各特征对预测的全局和个体影响。

研究结论与讨论表明，MHR作为系统性炎症的替代标志物，与哮喘风险存在显著正相关，其机制可能涉及单核细胞促炎作用增强和HDL-C抗炎功能降低的共同影响。尽管预测模型AUC值中等（0.64），但首次证实MHR在哮喘风险评估中的价值，并整合多因素构建了可解释的机器学习预测框架。该研究的局限性包括横断面设计无法推断因果关系、哮喘诊断基于自我报告可能存在偏倚、缺失数据较多（68%样本被排除），以及缺乏环境暴露和遗传数据等关键预测因子。未来需通过前瞻性队列验证，并纳入更多生物标志物提升模型精度。MHR作为低成本、易获取的临床指标，有望辅助识别高风险人群，为哮喘的早期干预和个性化管理提供新方向。