Ming Liu,1 Qian Zhang,2 Chang Niu,2 Feng Ren,2 Yang Chu2

1Department of Anesthesiology, The Second Affiliated Hospital of Dalian Medical University, Dalian, Liaoning Province, 116023, People’s Republic of China; 2Molecular Laboratory, Department of Laboratory Medicine, The Second Affiliated Hospital of Dalian Medical University, Dalian, Liaoning Province, 116023, People’s Republic of China

Correspondence: Yang Chu, Email chuyang0703@163.com

摘要：

背景： 绝经后女性因雌激素水平下降而面临较高的颈动脉粥样硬化风险，但现有预测模型未纳入遗传标记。本研究旨在采用Logistic回归与机器学习方法，开发并验证一个结合临床变量与雌激素受体1（ESR1）rs9340799基因型的风险预测模型，用于中国北方绝经后汉族女性颈动脉粥样硬化的风险评估。

方法： 2024年12月1日至2025年4月30日期间，共纳入276名中国北方绝经后汉族女性。根据颈动脉粥样硬化（CAS）的存在与否，将其分为病例组（n=162）与对照组（n=114）。选取雌激素受体α基因多态性位点ESR1 rs9340799（中国人群最小等位基因频率 >0.05），采用高分辨率熔解曲线PCR进行基因分型。通过单因素和多因素Logistic回归分析筛选危险因素，基于年龄、收缩压（SBP）、血糖（GLU）和rs9340799基因型构建列线图。比较六种机器学习算法后，选择Logistic回归模型作为最终模型，理由是其可解释性强且抗过拟合能力好。该模型于2025年5月1日至6月30日在同一机构的47名受试者中进行了外部验证。

结果： 病例组的年龄、绝经年限、收缩压和血糖均显著高于对照组（均P < 0.01），单因素分析显示rs9340799 GG基因型具有保护效应（P = 0.045）。因绝经年限与年龄存在共线性而被排除，最终确定年龄、收缩压、血糖和rs9340799为预测因子。在六种机器学习算法中，Logistic回归的AUC最高（0.709，95% CI：0.596–0.821），校准度可接受（Brier评分 = 0.227，HL P = 0.263），DCA阈值范围最宽（0.30–0.75），故被选为最终模型。SHapley Additive exPlanations（SHAP）分析显示年龄为最具影响力的预测因子。外部验证（47名受试者）的AUC为0.65（95% CI：0.48–0.82），灵敏度为0.82，特异度为0.55；置信区间较宽且跨越0.50，反映了样本量的局限性，有待进一步验证。

结论： 本研究开发了一个包含年龄、收缩压、血糖和ESR1 rs9340799基因型的Logistic回归预测模型。该模型对中国北方绝经后汉族女性颈动脉粥样硬化风险具有中等判别能力。该模型应视为初步模型，尚需在更大规模、独立、多中心的队列中进一步验证，以识别需要早期干预的高危人群。