缺失感知的机器学习评分能否改善新发痴呆风险预测？

预测全因痴呆的概率评分

ITU-DESC只用基线评估数据，估计一名UK Biobank参与者在可获得的随访期内被诊断为全因痴呆的概率。研究的中位随访时间为16.6年，纳入分析的队列中有2.27%的人发生新发痴呆，因此结局罕见，类别严重不平衡。

这种罕见性决定了如何理解标题中的数字。平均精度衡量模型把少数阳性组与其他人区分排序的能力；ROC AUC衡量模型在所有阈值上的整体排序能力。两者都不是临床决策规则，也不能告诉读者被标记的人里有多大比例真的会患痴呆。论文同时报告这两个指标，是因为它们回答相关但不同的排序问题。

缺失值本身可能携带风险信息

在UK Biobank中，某项测量是否存在并非随机。论文指出，按完整病例分析被排除的参与者在年龄、性别和教育程度上与保留者不同，而这些特征本身就是痴呆风险因素。因此，机器学习模型可能部分依据某项测量是否存在、而非其数值来区分人群。

作者把缺失值处理当作一项设计选择，而不是预处理步骤。他们采用无条件随机热卡插补：用该变量整体分布中抽取的值填补缺失值。由于供体并不与参与者匹配，插补值不携带参与者特有的信息，哪些字段缺失的模式也不会进入模型。

38个预测因子通过十次随机种子筛选

在排除可能造成泄漏的字段（如住院记录和诊断年份字段）以及主要反映数据采集流程的变量后，流程从7,977个候选特征出发。特征筛选使用BorutaSHAP，并用十个随机插补种子重复。作者保留在十次中至少八次被选中的预测因子，最终得到38个特征。

这一共识规则是论文保证稳定性的机制。若取十次结果的严格交集，会丢掉九个在八次或九次中被一致选中的特征，因此“十中取八”的阈值用略低的严格性换取了更大的保留集合。最终模型是CatBoost梯度提升决策树，用全随访期、全因痴呆标签训练，未做类别加权或重采样。

所有评分都在同一留出集上测试

ANU-ADRI、CAIDE、DRS、UKBDRS和UKB-DRP已发表的性能数字来自不同队列、结局定义和缺失数据处理方式，因此作者没有直接与这些已发表数字比较。他们对每个对照模型施加相同的随机插补策略、结局定义和等渗校准，并在同一批50,041名留出集参与者上评估所有模型，这些参与者未参与任何筛选或拟合环节。

这一设计排除了队列和患病率差异作为排序解释的可能。它也带来作者明确指出的权衡：在不同缺失数据流程下开发的评分，在随机插补数据上评估时性能可能被削弱，尤其是包含大量缺失变量的评分。例如，APOE ε4状态在500,410名合格参与者中有88,961人缺失，若按完整病例评估UKBDRS，就只能使用一个更小、经过选择的子集。

相对UKB-DRP的优势幅度较小

在留出集上，ITU-DESC的平均精度为0.138（95% CI 0.123–0.156），ROC AUC为0.853（0.844–0.863）。最强对照UKB-DRP为0.118和0.841。平均精度的置信区间在边界处重叠，因此在作者的比较中这一提升确实存在，但绝对幅度并不大。

论文还报告，经各结局特异的等渗校准后预测校准良好，校准斜率接近1，校准截距接近0。这支持把输出读作估计概率，而不只是相对排序；但这些概率仍受限于本研究的结局定义、随访和病例确认框架。

手工评分之外的新预测因子

若干入选预测因子未出现在既有痴呆评分中，包括白细胞端粒长度以及肝酶天冬氨酸氨基转移酶和丙氨酸氨基转移酶。作者把这些发现与已有生物学讨论联系起来，例如较高的AST/ALT比值与认知障碍相关，以及端粒相关衰老可能提供超出实际年龄的信息这一假设。

年龄是最重要的预测因子，模型与UKB-DRP共享一个核心：APOE ε4、认知与任务表现指标、用药负担、母亲是否在世或去世年龄，以及长期疾病。性别未被任何种子选中，作者认为这说明其他入选变量已经携带了该信息。看电视时长和手机使用等行为变量被选中，但作者提醒这些关联可能是间接的，手机使用时长可能部分反映年龄或队列效应。

该评分尚不能外推的范围

评估采用二分类而非生存时间分析，未记录痴呆诊断即死亡的参与者被计为非病例。UKBDRS最初在竞争风险框架下开发，因此这里报告的AP和ROC AUC不应被理解为复现其已发表的14年性能。作者指出，在5年和10年时间点上，把死亡作为竞争事件的敏感性分析支持二分类结果。

随机插补也有代价。它可能引入噪声、削弱真实信号；由于供体来自各变量的边际分布，它会削弱变量之间的关系，而条件供体池本可保留这些关系。作者把“插补规则能否在保留这种结构的同时仍不向模型暴露缺失模式”列为开放问题。成本、临床可用性和实施负担明确不在本研究范围内。

这一比较实际确立了什么

论文的具体贡献不是机器学习评分取代临床判断，而是：在约8,000个UK Biobank特征上运行一套防泄漏的筛选流程，可以产出一个含38个预测因子的评分；当所有评分被强制采用同一缺失数据策略并在同一留出集上评估时，它对New发痴呆的排序优于既有评分。相关比较是ITU-DESC与UKB-DRP的平均精度0.138对0.118，而不是与任何已发表数字比较。

实际解读应跟随这一设置。提升是在研究队列中对罕见结局的排序改善，所用模型在缺失值处理上刻意丢弃了其他评分可能隐含利用的信息。按作者的表述，同一流程能否帮助其他存在信息性缺失的结局，检验的是这一框架，而不是ITU-DESC本身。

本文引用的文献