摘要：

背景

儿童肥胖与高尿酸血症的双重上升趋势已成为严峻的公共卫生问题。两者通过复杂的代谢机制相互影响，并显著增加心血管代谢性疾病的远期风险。机器学习（Machine Learning, ML）为儿童人群的风险预测提供了高效建模框架。

目的

本研究旨在构建并评估两种机器学习模型——随机森林（Random Forest, RF）与支持向量分类（Support Vector Classification, SVC），通过整合临床与生化变量预测儿童肥胖与高尿酸的发生风险。

方法

本研究共纳入101名儿童，其中包括60例肥胖儿童与41例肥胖合并高尿酸血症患儿。数据预处理步骤包括递归特征消除（RFE）、基于ROSE算法的过采样处理及特征标准化。模型评估指标包括ROC曲线下面积（AUC）、精确率-召回率曲线及校准曲线。采用SHAP（Shapley Additive Explanations）方法解释模型特征贡献。

结果

两种模型均展现出优异的预测性能，AUC值达0.96。其中，SVC模型在精确率与召回率方面略优，适用于社区或学校层面的高风险儿童筛查；而RF模型校准性能更佳，适合于临床决策中个体化随访与干预规划。SHAP分析识别出肾小球滤过率（GFR）、高密度脂蛋白胆固醇（HDL-C）及载脂蛋白B（ApoB）为关键预测因子，部分变量与疾病风险呈非线性关系。

结论

RF与SVC模型可作为儿童肥胖与高尿酸早期风险预测的可靠工具，各自适用于不同临床场景。本研究结果支持早期识别与靶向干预策略的实施。未来研究将探索整合代谢组数据与集成学习方法，以进一步提升模型性能与临床适用性。

作者中文姓名（含作者贡献）：

王宇航*，史爽*，魏兴华，吴彦静，史云龙，蔡晋（通讯作者）

（*共同第一作者）

团队简介：

本研究团队来自南通大学及其附属医院儿科，长期聚焦儿童肥胖、内分泌与代谢相关疾病的机制探索与精准干预。团队结合组学分析、人工智能建模与临床数据，开展以儿童肥胖、高尿酸、性发育异常等为核心的系统性研究，致力于推动现代儿科疾病的早期筛查与个体化治疗策略发展。