研究背景与问题

随着我国人口老龄化趋势的加剧，心脑血管疾病已成为严重影响中青年男性健康的重大公共卫生问题。颈动脉粥样硬化（CAS）作为心脑血管疾病的重要危险因素，早期诊断对于预防心脑血管事件具有重要意义。然而，由于中青年男性无症状颈动脉粥样硬化（CAS）的隐蔽性，传统的筛查方法存在效率低下、成本高昂等问题。因此，本研究旨在开发一种基于常规指标及可解释机器学习的中青年男性无症状颈动脉粥样硬化自动化初筛分流工具，以提高筛查效率，降低医疗成本。

研究方法

本研究选取了2023年6月至2024年6月于扬州大学附属淮安医院及南京医科大学附属淮安第一医院健康体检的865例中青年男性作为研究对象。通过收集受试者的临床资料、常规生化指标、颈动脉超声检查结果等数据，构建了基于常规指标及可解释机器学习的中青年男性无症状颈动脉粥样硬化初筛模型。具体方法如下： 1. 数据收集：收集受试者的临床资料、常规生化指标、颈动脉超声检查结果等数据。 2. 数据预处理：对收集到的数据进行清洗、标准化处理，确保数据质量。 3. 模型构建：采用随机森林算法构建初筛模型，并利用可解释机器学习技术对模型进行解释。 4. 模型验证：通过交叉验证方法对模型进行验证，确保模型的稳定性和准确性。

核心结果

本研究构建的基于常规指标及可解释机器学习的中青年男性无症状颈动脉粥样硬化初筛模型具有较高的预测准确性。模型在验证集上的AUC（曲线下面积）达到0.85，敏感度为0.80，特异度为0.82。与传统的筛查方法相比，本研究构建的模型在识别高危个体方面具有更高的效率，能够有效缩小需超声检查人群范围，提高筛查效率。

结论与意义

本研究成功构建了基于常规指标及可解释机器学习的中青年男性无症状颈动脉粥样硬化自动化初筛分流工具，为临床医生提供了一种高效、准确的筛查方法。该模型的应用有助于提高中青年男性无症状颈动脉粥样硬化的早期诊断率，降低心脑血管疾病的发生风险，具有重要的临床应用价值和社会意义。此外，本研究也为其他疾病的早期筛查提供了新的思路和方法。