基于心脑血管疾病发病风险预测的CatBoost算法和贝叶斯网络模型分析

doi:10.13481/j.1671-587X.20240419

吉林大学学报(医学版) ›› 2024, Vol. 50 ›› Issue (4): 1044-1054.doi: 10.13481/j.1671-587X.20240419

基于心脑血管疾病发病风险预测的CatBoost算法和贝叶斯网络模型分析

王爱民¹,王凤琳¹,黄一铭¹,徐雅琪¹,张文婧¹,丛显铸¹,苏维强¹,王素珍¹,高梦瑶¹,李爽¹,孔雨佳¹,石福艳¹(),陶恩学²()

^1.山东第二医科大学公共卫生学院卫生统计学教研室，山东潍坊 261053
^2.山东第二医科大学基础医学院，山东潍坊 261053

收稿日期:2023-09-02 出版日期:2024-07-28 发布日期:2024-08-01
通讯作者: 石福艳,陶恩学 E-mail:shifuyan@126.com;sdwftex@163.com
作者简介:王爱民（2000-），男，山东省临沂市人，在读硕士研究生，主要从事卫生统计学方面的研究。
基金资助:
国家自然科学基金项目(81803337);国家统计局科研项目(2018LY79);山东省科技厅自然科学基金项目(ZR2019MH034);山东省教育厅高等学校青创人才引育计划项目(2019-6-156);潍坊医学院博士启动基金项目(2017BSQD51)

CatBoost algorithm and Bayesian network model analysis based on risk prediction of cardiovascular and cerebro vascular diseases

Aimin WANG¹,Fenglin WANG¹,Yiming HUANG¹,Yaqi XU¹,Wenjing ZHANG¹,Xianzhu CONG¹,Weiqiang SU¹,Suzhen WANG¹,Mengyao GAO¹,Shuang LI¹,Yujia KONG¹,Fuyan SHI¹(),Enxue TAO²()

^1.Department of Health Statistics，School of Public Health，Shandong Second Medical University，Weifang 261053，China
^2.School of Basic Medical Sciences，Shandong Second Medical University，Weifang 261053，China

Received:2023-09-02 Online:2024-07-28 Published:2024-08-01
Contact: Fuyan SHI,Enxue TAO E-mail:shifuyan@126.com;sdwftex@163.com

摘要/Abstract

摘要：

目的筛选影响心脑血管疾病发病的主要特征变量，基于排序前10位的特征变量构建心脑血管疾病发病风险贝叶斯网络模型，为心脑血管疾病发病风险预测提供参考。方法从英国生物样本（UK Biobank）数据库中纳入315 896例参与者和相关变量，通过类别型特征提升（CatBoost）算法进行特征选择，将所有参与者按7∶3比例随机分为训练集和测试集，并基于最大最小爬山（MMHC）算法构建贝叶斯网络模型。结果本研究中人群心脑血管疾病患病率为28.8%。CatBoost算法筛选的排名前10位变量分别为年龄、体质量指数（BMI）、低密度脂蛋白胆固醇（LDL-C）、总胆固醇（TC）、甘油三酯-葡萄糖（TyG）指数、家族史、载脂蛋白A/B比值、高密度脂蛋白胆固醇（HDL-C）、吸烟状态和性别。CatBoost训练集模型受试者工作特征（ROC）曲线下面积（AUC）为0.770，模型准确性为0.764；验证集模型AUC为0.759，模型准确性为0.763。临床效能分析，训练集阈值范围为0.06~0.85，验证集阈值范围为0.09~0.81。心脑血管疾病发病风险贝叶斯网络模型分析，年龄、性别、吸烟状态、家族史、BMI和载脂蛋白A/B比值与心脑血管疾病直接相关，是心脑血管疾病发生的重要风险因素，TyG指数、HDL-C、LDL-C和TC通过影响BMI和载脂蛋白A/B比值间接影响心脑血管疾病的发生风险。结论控制BMI、载脂蛋白A/B比值和吸烟行为，可以降低心脑血管疾病的发病风险。贝叶斯网络模型可用于预测心脑血管疾病发病风险。

关键词: 心脑血管疾病, CatBoost算法, 贝叶斯网络, 风险推理

Abstract:

Objective To screen the main characteristic variables affecting the incidence of cardiovascular and cerebrovascular diseases， and to construct the Bayesian network model of cardiovascular and cerebrovascular disease incidence risk based on the top 10 characteristic variables，and to provide the reference for predicting the risk of cardiovascular and cerebrovascular disease incidence. Methods From the UK Biobank Database， 315 896 participants and related variables were included. The feature selection was performed by categorical boosting （CatBoost） algorithm， and the participants were randomly divided into training set and test set in the ratio of 7∶3. A Bayesian network model was constructed based on the max-min hill-climbing （MMHC） algorithm. Results The prevalence of cardiovascular and cerebrovascular diseases in this study was 28.8%. The top 10 variables selected by the CatBoost algorithm were age， body mass index （BMI）， low-density lipoprotein cholesterol （LDL-C）， total cholesterol （TC）， the triglyceride-glucose （TyG） index， family history， apolipoprotein A/B ratio， high-density lipoprotein cholesterol （HDL-C）， smoking status， and gender. The area under the receiver operating characteristic （ROC） curve （AUC） for the CatBoost training set model was 0.770， and the model accuracy was 0.764； the AUC of validation set model was 0.759 and the model accuracy was 0.763. The clinical efficacy analysis results showed that the threshold range for the training set was 0.06-0.85 and the threshold range for the validation set was 0.09-0.81. The Bayesian network model analysis results indicated that age， gender， smoking status， family history， BMI， and apolipoprotein A/B ratio were directly related to the incidence of cardiovascular and cerebrovascular diseases and they were the significant risk factors. TyG index， HDL-C， LDL-C， and TC indirectly affect the risk of cardiovascular and cerebrovascular diseases through their impact on BMI and apolipoprotein A/B ratio. Conclusion Controlling BMI， apolipoprotein A/B ratio， and smoking behavior can reduce the incidence risk of cardiovascular and cerebrovascular diseases. The Bayesian network model can be used to predict the risk of cardiovascular and cerebrovascular disease incidence.

Key words: Cardiovascular and cerebrovascular disease, CatBoost algorithm, Bayesian network, Risk inference

中图分类号:

王爱民,王凤琳,黄一铭,徐雅琪,张文婧,丛显铸,苏维强,王素珍,高梦瑶,李爽,孔雨佳,石福艳,陶恩学. 基于心脑血管疾病发病风险预测的CatBoost算法和贝叶斯网络模型分析[J]. 吉林大学学报(医学版), 2024, 50(4): 1044-1054.

Aimin WANG,Fenglin WANG,Yiming HUANG,Yaqi XU,Wenjing ZHANG,Xianzhu CONG,Weiqiang SU,Suzhen WANG,Mengyao GAO,Shuang LI,Yujia KONG,Fuyan SHI,Enxue TAO. CatBoost algorithm and Bayesian network model analysis based on risk prediction of cardiovascular and cerebro vascular diseases[J]. Journal of Jilin University(Medicine Edition), 2024, 50(4): 1044-1054.

图/表 9

表1

表2

非心脑血管疾病组和心脑血管疾病组研究对象临床资料"

Variable	Non-cardiovascular and cerebrovascular diseases	Cardiovascular and cerebrovascular diseases	χ²	P
Age(year)			17 796.741	<0.01
<45	29 941(9.48)	3 762(1.19)
45-54	74 686(23.64)	17 591(5.57)
55-64	89 276(28.26)	43 955(13.91)
≥65	31 175(9.87)	25 510(8.08)
Gender			3 301.340	<0.01
Female	124 833(39.52)	40 123(12.70)
Male	100 245(31.73)	50 695(16.05)
Smoking status			2 065.759	<0.01
Never	129 253(40.92)	45 183(14.30)
Previous	73 069(23.13)	37 184(11.77)
Drinking status			393.526	<0.01
Never	8 159(2.58)	3 949(1.25)
Previous	6 746(2.14)	3 813(1.21)
Current	210 173(66.53)	83 056(26.29)
Family history			4 275.264	<0.01
Yes	159 655(50.54)	74 638(23.63)
No	65 423(20.71)	16 180(5.12)
Mental illness			532.280	<0.01
Yes	72 230(22.87)	33 027(10.46)
No	152 848(48.39)	57 791(18.29)
Physical activity			668.927	<0.01
Low	39 911(12.63)	19 262(6.10)
Moderate	91 891(29.09)	37 489(11.87)
High	93 276(29.53)	34 067(10.78)
Vegetables/Fruits(≥5 d^-1)			1.471	0.225
Yes	182 024(57.62)	73 616(23.30)
No	43 054(13.63)	17 202(5.45)
Red meat (≥2/week)			593.884	<0.01
Yes	72 763(23.03)	33 470(10.60)
No	152 315(48.22)	57 348(18.15)
Oily fish (≥1/week)			558.101	<0.01
Yes	124 776(39.50)	54 525(17.26)
No	100 302(31.75)	36 293(11.49)
TC (mmol·L^-1)			11 031.944	<0.01
<4.91	44 548(14.10)	33 847(10.71)
4.91-5.64	58 769(18.60)	21 358(6.76)
5.65-6.41	61 435(19.45)	18 473(5.85)
≥6.42	60 326(19.10)	17 140(5.43)
LDL-C (mmol·L^-1)			9 949.487	<0.01
<2.94	44 785(14.18)	33 120(10.48)
2.94-3.51	58 282(18.45)	21 295(6.74)
3.52-4.11	61 140(19.35)	18 714(5.92)
≥4.12	60 871(19.27)	17 689(5.60)
HDL-C (mmol·L^-1)			7 270.807	<0.01
<1.17	47 390(15.00)	30 458(9.64)
1.17-1.39	55 303(17.51)	24 100(7.63)
1.40-1.67	59 873(18.95)	20 047(6.35)
≥1.68	62 512(19.79)	16 213(5.13)
BMI (kg·m^-2)			17 839.780	<0.01
<18.5	1 350(0.43)	203(0.06)
18.5-24.9	87 643(27.74)	17 399(5.51)
25.0-29.9	95 984(30.38)	39 796(12.60)
≥30.0	40 101(12.69)	33 420(10.58)
Apolipoprotein A/B ratio			512.794	<0.01
<8.31	57 986(18.36)	20 441(6.47)
8.31-8.67	56 199(17.79)	22 458(7.11)
8.68-9.07	56 193(17.79)	23 142(7.33)
≥9.08	54 700(17.32)	24 777(7.84)
TyG index			8 133.568	<0.01
<1.23	65 110(20.61)	15 186(4.81)
1.23-1.49	58 735(18.59)	20 715(6.56)
1.50-1.82	54 162(17.15)	25 197(7.98)
≥1.83	47 071(14.90)	29 720(9.41)

表2

图1

图2

图3

图4

图5

表3

图6

参考文献 29

1	REN Q Q， LI S Y， XIAO C L， et al. The impact of air pollution on hospitalization for cardiovascular and cerebrovascular disease in Shenyang， China［J］. Iran J Public Health， 2020， 49（8）： 1476-1484.
2	YOU Q， SHAO X Y， WANG J P， et al. Progress on physical field-regulated micro/nanomotors for cardiovascular and cerebrovascular disease treatment［J］. Small Methods， 2023， 7（10）： e2300426.
3	BENJAMIN E J， MUNTNER P， ALONSO A， et al. Heart disease and stroke statistics-2019 update： a report from the American heart association［J］. Circulation， 2019， 139（10）： e56-e528.
4	MENSAH G A， ROTH G A， FUSTER V. The global burden of cardiovascular diseases and risk factors： 2020 and beyond［J］. J Am Coll Cardiol， 2019， 74（20）： 2529-2532.
5	DISEASES AND INJURIES COLLABORATORSGBD. Global burden of 369 diseases and injuries in 204 countries and territories， 1990-2019： a systematic analysis for the Global Burden of Disease Study 2019［J］. Lancet， 2020， 396（10258）： 1204-1222.
6	MELA A， RDZANEK E， PONIATOWSKI Ł A， et al. Economic costs of cardiovascular diseases in Poland estimates for 2015-2017 years［J］. Front Pharmacol， 2020， 11： 1231.
7	QIAO W J， ZHANG X Y， KAN B， et al. Hypertension， BMI， and cardiovascular and cerebrovascular diseases［J］. Open Med， 2021， 16（1）： 149-155.
8	STROKE COLLABORATORSGBD. Global， regional， and national burden of stroke and its risk factors， 1990-2019： a systematic analysis for the Global Burden of Disease Study 2019［J］. Lancet Neurol， 2021， 20（10）： 795-820.
9	BOYD C， BROWN G， KLEINIG T， et al. Machine learning quantitation of cardiovascular and cerebrovascular disease： a systematic review of clinical applications［J］. Diagnostics， 2021， 11（3）： 551.
10	CHEUNG C Y， XU D J， CHENG C Y， et al. A deep-learning system for the assessment of cardiovascular disease risk via the measurement of retinal-vessel calibre［J］. Nat Biomed Eng， 2021， 5（6）： 498-508.
11	AZMI J， ARIF M， NAFIS M T， et al. A systematic review on machine learning approaches for cardiovascular disease prediction using medical big data［J］. Med Eng Phys， 2022， 105： 103825.
12	KELSHIKER M A， SELIGMAN H， HOWARD J P， et al. Coronary flow reserve and cardiovascular outcomes： a systematic review and meta-analysis［J］. Eur Heart J， 2022， 43（16）： 1582-1593.
13	ZHENG P F， CHEN L Z， LIU P， et al. Identification of immune-related key genes in the peripheral blood of ischaemic stroke patients using a weighted gene coexpression network analysis and machine learning［J］. J Transl Med， 2022， 20（1）： 361.
14	BIEDERMANN A， TARONI F. Bayesian networks and probabilistic reasoning about scientific evidence when there is a lack of data［J］. Forensic Sci Int， 2006， 157（2/3）： 163-167.
15	BYCROFT C， FREEMAN C， PETKOVA D， et al. The UK Biobank resource with deep phenotyping and genomic data［J］. Nature， 2018， 562（7726）： 203-209.
16	黄夏璇，黄韬，杨瑞，等. UK Biobank数据的应用介绍［J］. 中国循证医学杂志， 2022， 22（9）： 1099-1107.
17	UCHAI S， ANDERSEN L F， THORESEN M， et al. Does the association between adiposity measures and prefrailty among older adults vary by social position？Findings from the Tromsø study 2015/2016［J］. BMC Public Health， 2024， 24（1）： 1457.
18	MACH F， BAIGENT C， CATAPANO A L， et al. 2019 ESC/EAS Guidelines for the management of dyslipidaemias： lipid modification to reduce cardiovascular risk［J］. Eur Heart J， 2020， 41（1）： 111-188.
19	PIZZI N J. Fuzzy quartile encoding as a preprocessing method for biomedical pattern classification［J］. Theor Comput Sci， 2011， 412（42）： 5909-5925.
20	JAYAWARDENA R， SOORIYAARACHCHI P. The inside story of fruits； exploring the truth behind conventional theories［J］. Diabetes Metab Syndr， 2021， 15（6）： 102085.
21	CHUDASAMA Y V， KHUNTI K K， ZACCARDI F， et al. Physical activity， multimorbidity， and life expectancy： a UK Biobank longitudinal study［J］. BMC Med， 2019， 17（1）： 108.
22	苗丰顺，李岩，高岑，等. 基于CatBoost算法的糖尿病预测方法［J］. 计算机系统应用， 2019， 28（9）： 215-218.
23	HANCOCK J T， KHOSHGOFTAAR T M. CatBoost for big data： an interdisciplinary review［J］. J Big Data， 2020， 7（1）： 94.
24	胡建锦，熊伟，方陆明，等. 基于距离相关系数和Catboost方法的森林蓄积量估测［J］. 中南林业科技大学学报， 2023， 43（5）： 27-35.
25	PRABU S， THIYANESWARAN B， SUJATHA M， et al. Grid search for predicting coronary heart disease by tuning hyper-parameters［J］. Comput Syst Sci Eng， 2022， 43（2）： 737-749.
26	ROUSSON V， ZUMBRUNN T. Decision curve analysis revisited： overall net benefit， relationships to ROC curve analysis， and application to case-control studies［J］. BMC Med Inform Decis Mak， 2011， 11： 45.
27	唐末. 基于循证医学及机器学习的中医药影响早中期结直肠癌预后模型研究［D］. 北京：中国中医科学院， 2022.
28	钟璐，薛付忠. 基于贝叶斯网络不确定性推理的肺癌风险预测模型［J］. 山东大学学报（医学版）， 2023， 61（4）： 86-94.
29	王旭春，宋伟梅，潘金花，等. MMPC-Tabu 混合算法的贝叶斯网络模型在高脂血症相关因素研究中的应用［J］. 中国卫生统计， 2022， 39（3）： 345-350， 355.

Variable	Assign	Variable	Assign
Age (x₁, year)	<45=0	TC (x₁₁, mmol·L^-1)	<4.91=0
	45-54=1		4.91-5.64=1
	55-64=2		5.65-6.41=2
	≥65=3		≥6.42=3
Gender (x₂)	Female=0	LDL-C (x₁₂, mmol·L^-1)	<2.94=0
	Male=1		2.94-3.51=1
Smoking status (x₃)	Never=0		3.52-4.11=2
	Previous=1		≥4.12=3
	Current=2	HDL-C (x₁₃, mmol·L^-1)	<1.17=0
Drinking status (x₄)	Never=0		1.17-1.39=1
	Previous=1		1.40-1.67=1
	Current =2		≥1.68=3
Family history (x₅)	No=0	BMI (x₁₄, kg·m^-2)	<18.5 = 0
	Yes=1		18.5-24.9=1
Mental illness (x₆)	No=0		25.0-29.9=2
	Yes=1		≥30.0=3
Physical activity (x₇)	Low=0	Apolipoprotein A/B ratio (x₁₅)	<8.31=0
	Moderate=1		8.31-8.67=1
	High=2		8.68-9.07=2
Vegetables/Fruits (x₈,≥5 d^-1)	No=0		≥9.08=3
	Yes=1	TyG index(x₁₆)	<1.23=0
Red meat (x₉, ≥2/week)	No=0		1.23-1.49=1
	Yes=1		1.50-1.82=2
Oily fish (x₁₀, ≥1/week)	No=0		≥1.83=3
	Yes=1	CCVDs	No=0
			Yes=1

基于心脑血管疾病发病风险预测的CatBoost算法和贝叶斯网络模型分析

CatBoost algorithm and Bayesian network model analysis based on risk prediction of cardiovascular and cerebro vascular diseases

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 29

相关文章 1

Metrics

本文评价

推荐阅读 10

Variable	Risk	Variable	Risk
Age(year)		Gender
<45	12.5	Female	25.0
45-54	19.9	Male	33.1
55-64	33.0	BMI (kg·m^-2)
≥65	43.4	<18.5	22.6
Family history		18.5-24.9	18.0
Yes	31.9	25.0-29.9	28.7
No	20.2	≥30.0	44.7
Smoking status		Apolipoprotein A/B
Never	27.1	<8.31	26.7
Previous	31.3	8.31-8.67	28.3
Current	29.9	8.68-9.07	28.6
		≥9.08	31.6