动多动少有讲究！机器学习研究：每周运动这个量，高尿酸人群最防痛风

前言

近年来，随着生活水平的提高以及患病群体呈现年轻化趋势，痛风的发病率持续上升。流行病学数据表明，在高尿酸血症(HUA)个体中，约有5%–20%会进展为痛风。这种进展受到种族、性别、合并症、遗传倾向和环境因素等多方面的影响。虽然先前的观察性研究已探讨了部分风险因素，但久坐时间和体力活动（PA）对HUA个体的潜在影响仍未得到充分研究。本研究利用经典的机器学习算法，并结合可解释的SHAP算法，来探索久坐行为和PA时间如何与个体特征和实验室指标相互作用，影响HUA这一高风险人群发生痛风的风险。

01

研究设计

本研究回顾性收集了2007-2018年期间来自国家健康与营养检查调查（NHANES）数据库的HUA个体数据。在排除了8464名因缺失值或年龄小于18岁的个体后，共有8057名HUA个体被纳入研究。收集的数据包括基本人口统计学特征、合并症、血清肌酐水平和肾功能指标。

研究团队使用所有可用变量构建了四种成熟的机器学习模型：K-最近邻（KNN）、随机森林（RF）、XGBoost(XGB）和多层感知机（MLP），并进行性能测试。模型性能使用受试者工作特征曲线、精确度-召回率曲线、交叉验证结果以及包括准确度、Kappa、敏感性、特异性、阳性预测值、阴性预测值和F1分数在内的多种指标进行评估。应用SHAP评估最佳性能模型中的变量重要性，并检验久坐时间和PA时间的变化如何影响痛风风险。

研究结果使用Student t检验分析呈正态分布的连续变量的基线特征或使用Mann-Whitney U检验分析非正态分布的连续变量。对于分类变量，酌情使用卡方检验或Fisher精确检验。双侧p值< 0.05被认为具有统计学意义。

02

研究结果

本研究共纳入8057名高尿酸血症（HUA）个体。基线特征分析显示，痛风患者年龄更大、男性比例更高、血清尿酸水平更高、BMI更高、血清肌酐水平更高，且高血压和糖尿病患病率更高（均p<0.001）。此外，痛风患者的体力活动（physical activity，PA）时间更少，久坐时间更长。

通过随机森林（RF）模型构建的预测模型在训练集和测试集中均表现最佳，ROC曲线下面积（AUC）分别为0.957和0.799，PR 曲线下面积分别为 0.646（训练集）和 0.240（测试集）（图1）。

图1：机器学习模型的ROC和PR曲线

模型在测试集中的灵敏度为0.701，特异度为0.785，阴性预测值高达0.967，表明其在识别低风险个体方面非常可靠（表1）。

表1：四种模型的比较性能指标

SHAP分析显示，高血压、血清尿酸、年龄、性别和BMI是影响痛风风险的前五大因素（图2A）。进一步分析表明，血清尿酸水平>457 μmol/L、年龄>48岁、BMI升高、肌酐升高、久坐时间延长、PA时间减少，以及存在高血压、糖尿病和男性性别，均与痛风风险增加相关（图2B）。

图2：SHAP特征重要性

PA时间与痛风风险呈U型关系：当每周PA时间超过1小时时，风险开始下降，并在约7小时/周时达到风险最低点；此后，若PA时间继续增加，风险则呈现回升趋势。久坐时间每日超过6小时也与风险增加相关（图3）。亚组分析进一步证实，PA在每周1–7小时范围内对纳入研究的各类HUA个体均具有保护作用（图4）。

图3：SHAP趋势及散点图

图4：特定特征下PA持续时间的SHAP趋势和散点图

03

研究讨论

本研究通过机器学习模型结合SHAP分析，系统评估了PA和久坐时间对HUA患者痛风风险的影响。结果显示，适度PA（每周1–7小时）可显著降低痛风风险，而每日久坐时间超过6小时则显著增加风险。

PA通过改善胰岛素敏感性、减少内脏脂肪、降低炎症因子（如TNF-α、IL-6）等机制，发挥代谢保护作用。然而，过度PA（>7小时/周）可能因乳酸堆积、脱水及ATP分解加速而导致尿酸生成增加，反而升高风险。久坐行为则可能通过促进肥胖、胰岛素抵抗和减少尿酸排泄，进一步加剧痛风发生。

本研究开发的RF模型具有良好的判别能力，尤其在高敏感性高阴性预测值方面表现突出，适用于识别低风险人群。尽管模型的阳性预测值不高，但其在高敏感性和高阴性预测值方面的优势，使其非常适合作为辅助工具，用于识别低风险个体（排除诊断），并对高风险个体发出警示，引导其采取积极的生活方式干预。研究团队也开发了一款在线预测工具（https://sasuki.shinyapps.io/GoutRisk/），以便于临床工作者和患者进行个体化的风险评估。

医脉通是专业的在线医生平台，“感知世界医学脉搏，助力中国临床决策”是平台的使命。医脉通旗下拥有「临床指南」「用药参考」「医学文献王」「医知源」「e研通」「e脉播」等系列产品，全面满足医学工作者临床决策、获取新知及提升科研效率等方面的需求。