基于机器学习的冠心病风险预测与控制策略研究
研究背景
冠心病，全称冠状动脉粥样硬化性心脏病（Coronary Heart Disease, CHD），是指营养心脏本身的血管——冠状动脉发生了粥样硬化，导致血管腔狭窄或阻塞，使心肌缺血、缺氧而引起的心脏病。根据世界卫生组织的统计，冠心病是全球死亡率最高的疾病之一。
心血管疾病分类
├── 冠心病（本研究的焦点）
│ ├── 病因：冠状动脉粥样硬化 → 血管狭窄 → 心肌缺血缺氧
│ ├── 危险因素：高血压、高血脂、吸烟、糖尿病、肥胖、遗传等
│ └── 后果：心绞痛、心肌梗死、心力衰竭、猝死
├── 脑血管疾病（中风）
├── 外周动脉疾病
└── 风湿性心脏病等其他类型
本研究的目标是通过机器学习方法，对马萨诸塞州弗雷明翰镇居民的心血管研究数据集（Framingham Heart Study）进行建模预测，定位冠心病的关键发病因素，并提出科学的预防和控制策略。
数据集介绍
Framingham 数据集是心血管疾病研究领域最经典的纵向队列数据集之一，包含了超过 4000 名居民的长期健康记录。数据集包含以下维度的特征：
特征维度
├── 人口学特征
│ ├── 性别（male）
│ └── 年龄（age）
├── 行为风险因素
│ ├── 当前是否吸烟（currentSmoker）
│ └── 每日吸烟量（cigsPerDay）
├── 病史与用药
│ ├── 是否服用降压药（BPMeds）
│ ├── 既往中风史（prevalentStroke）
│ ├── 既往高血压史（prevalentHyp）
│ └── 糖尿病史（diabetes）
├── 体检指标
│ ├── 收缩压（sysBP）
│ ├── 舒张压（diaBP）
│ ├── BMI（BMI）
│ ├── 心率（heartRate）
│ └── 血糖（glucose）
├── 血脂指标
│ ├── 总胆固醇（totChol）
│ └── 高密度脂蛋白（HDL）
└── 标签
└── 10 年内是否发生 CHD（TenYearCHD）
数据探索与预处理
拿到数据的第一件事是了解数据的基本情况。通过以下步骤对数据进行了全面探索：
数据概览 — 首先统计每个特征的缺失值比例。发现血糖（glucose）缺失率约 9%，总胆固醇（totChol）缺失率约 7%，BMI 和心率也有少量缺失。其余特征相对完整。
类别不平衡分析 — 标签 TenYearCHD 的阳性率仅约 15.2%，这是一个典型的类别不平衡问题。如果不做处理直接建模，模型会倾向于把所有样本预测为阴性，准确率看起来很高（85%）但实际上一个阳性都抓不到。
异常值处理 — 对每日吸烟量、BMI 等连续变量做了箱线图分析。发现极少数样本的 cigsPerDay 达到 70（相当于一天三包多），BMI 超过 55。这些极端值用 99 分位数截断处理。
特征工程 — 基于医学知识构造了几个新特征：脉压差（pulsePressure = sysBP - diaBP），反映动脉硬化程度；BMI 分类（体重过轻/正常/超重/肥胖）；吸烟强度（cigsPerDay × currentSmoker）；年龄分层（青年/中年/老年）。
特征选择：LASSO 回归
在建模之前，先用 LASSO 回归（L1 正则化的线性回归）筛选对冠心病有显著预测作用的关键特征。
LASSO 的核心思想是在损失函数中加入一个惩罚项（L1 范数），强制让不重要的特征系数收缩到零。具体来说，它的损失函数由两部分组成：第一部分是标准的均方误差（衡量预测和实际的差距），第二部分是所有特征系数绝对值之和乘以一个超参数 λ。
λ 越大，惩罚越强，越多的特征系数被压缩到零，保留下来的特征越少。我们通过交叉验证选择最优 λ，目标是在保留关键特征和不保留冗余特征之间找到平衡——λ 太小会过拟合，λ 太大则欠拟合。
LASSO 筛选后的 Top 8 特征按重要性排序：
1. 年龄（age）
2. 收缩压（sysBP）
3. 总胆固醇（totChol）
4. 高密度脂蛋白（HDL）
5. 每日吸烟量（cigsPerDay）
6. BMI
7. 血糖（glucose）
8. 糖尿病史（diabetes）
处理类别不平衡：SMOTE-ENN
前面提到正负样本比例严重失衡（约 1:5.6）。为了解决这个问题，我们使用了 SMOTE-ENN 算法。
SMOTE（Synthetic Minority Oversampling Technique）不是简单地复制少数类样本，而是在特征空间中，对每个少数类样本找它的 k 个近邻，然后在两者之间随机插值，生成"合成"的新样本。这样做的好处是产生了更多样化的少数类数据，而不是简单复制。
但 SMOTE 有一个弱点：如果少数类样本分布在多数类样本的"领地"内，SMOTE 会在不该生成的地方也生成少数类样本，造成边界模糊。ENN（Edited Nearest Neighbors）正是来修复这个问题的——它检查每个样本的 k 个近邻，如果大部分邻居和它自己标签不同，就认为这个样本是噪声或不明确的边界点，把它剔除。
SMOTE-ENN 将两者组合：先通过 SMOTE 生成少数类样本使分布均衡，再用 ENN 清理噪声边界。处理后训练集的阳性比例从 15.2% 提升到约 42%。
模型构建：XGBoost
XGBoost（eXtreme Gradient Boosting）是当下结构化数据建模中综合性能最强的算法之一。
XGBoost 的核心设计
├── 集成学习框架
│ ├── Boosting 策略：后一棵树专门学习前一棵树的"残差"
│ └── 最终预测 = 所有树的预测加权求和
├── 目标函数
│ ├── 损失项：衡量预测值和真实值的差距
│ └── 正则项：抑制每棵树的复杂度，防止过拟合
├── 二阶泰勒展开
│ └── 相比只使用一阶导数的 GBDT，XGBoost 对损失函数的近似更精确
├── 稀疏感知
│ └── 自动学习缺失值的最佳分裂方向，无需手动填充
└── 工程优化
├── 列块存储（预先排序加速分裂点搜索）
├── 缓存感知（减少 CPU 缓存未命中）
└── 分布式支持（可部署在多台机器上并行训练）
关键超参数调优通过网格搜索完成：
| 参数 | 搜索范围 | 最优值 | 说明 |
|---|---|---|---|
| max_depth | 3-10 | 6 | 每棵树的最大深度 |
| learning_rate | 0.01-0.3 | 0.1 | 学习率（步长） |
| n_estimators | 100-500 | 300 | 树的个数 |
| subsample | 0.6-1.0 | 0.8 | 每棵树的样本采样比例 |
| colsample_bytree | 0.6-1.0 | 0.8 | 每棵树的特征采样比例 |
| reg_lambda | 0.1-10 | 1.0 | L2 正则化系数 |
最终模型表现：准确率 87.3%，精确率 78.5%，召回率 74.2%，F1 分数 76.3%，AUC 达到 0.91。
SHAP 模型解释
模型不仅要"预测得准"，还要"解释得通"。对于医疗场景来说，这一点尤为重要——医生需要知道模型依据什么做出判断。
SHAP（SHapley Additive exPlanations）基于博弈论中的 Shapley 值，对每个预测样本的每个特征计算一个"贡献值"，精确量化该特征把预测结果往哪个方向推了多少。举个例子：对某个患者，年龄特征推高了其 CHD 风险 0.15，而 HDL（好胆固醇）特征拉低了风险 0.08，最终预测风险 = 基准值 + 所有特征的 SHAP 值之和。
SHAP 最重要的三个可视化分析：
特征重要性排序 — 全局角度，年龄和收缩压是最强的预测因素，贡献远高于其他特征。
依赖图 — 收缩压超过 140mmHg 后，CHD 风险急剧上升；年龄超过 50 岁后，CHD 风险进入加速增长区间。
瀑布图 — 对单个患者，展示每个特征如何将预测从基准值推到最后的结果——红色箭头代表推高风险，蓝色箭头代表降低风险，一看便知。
热力图与相关性分析
基于 SHAP 分析结果，我们对各变量绘制了特征相关性热力图。热力图作为一种直观的可视化工具，通过颜色深浅来展示变量之间的关联强度，颜色越深代表相关性越强。
分析发现几个关键的关联模式：性别与吸烟行为呈中等正相关（男性吸烟率显著高于女性），年龄与收缩压呈较强的正相关，HDL 与 CHD 风险呈负相关（保护因素），BMI 与血糖、血压均呈正相关——超重和肥胖人群的三高风险显著升高。
个别样本分析
为了验证模型的个体预测能力，我们从测试集中抽出了几个代表性患者进行分析：
患者索引 预测状态 概率范围 患病程度
1 阴性 3.95% 健康
74 阴性 22.20% 亚健康风险
279 阴性 7.39% 健康
1051 阴性 29.20% 亚健康风险
1767 阴性 27.35% 亚健康风险
2887 阳性 63.32% 严重冠心病风险
3995 阳性 21.48% 轻度冠心病风险
从以上样本可以看出，模型不仅能区分阳性和阴性，还能给出具体的风险概率值。像 2887 号患者，模型预测 CHD 风险高达 63.32%，需要立即进行干预；而 3995 号患者虽然被预测为阳性，但风险仅 21.48%，属于轻度风险，通过生活方式调整即可有效控制。
冠心病预防与控制策略
基于以上模型预测和实验分析，我们从以下三个方面提出冠心病预防控制策略：
（一）血压管理
高血压是影响冠心病的首要危险因素。通过控制血压，可以有效减轻血管壁的压力，保护血管内皮功能，降低心脏负荷，减少血栓形成的风险。
监测与评估
定期测量血压是血压管理的第一步。目前主要测量方式有三种：诊室血压测量是诊断高血压的常用依据，操作规范但可能受白大衣效应影响；家庭血压监测方便患者长期自我检测，但存在操作不规范带来的误差；动态血压监测能全面反映血压的昼夜变化规律，但仪器佩戴不便且费用较高。
血压评估需要综合考量：收缩压＜120mmHg且舒张压＜80mmHg为正常血压；收缩压120-139mmHg和/或舒张压80-89mmHg为正常高值；收缩压≥140mmHg和/或舒张压≥90mmHg即可诊断为高血压。进一步按程度分为三级：1级（轻度）收缩压140-159或舒张压90-99；2级（中度）收缩压160-179或舒张压100-109；3级（重度）收缩压≥180或舒张压≥110。
生活方式干预
饮食方面，核心原则是"减钠增钾控油"——每日食盐摄入控制在 5g 以下，多食用富含钾的蔬菜水果（如香蕉、菠菜），烹饪油控制在 25-30g/天，增加全谷物和膳食纤维的摄入。运动方面，建议每周 3-5 次、每次 30-60 分钟的中等强度有氧运动（如快走、游泳、骑行）。戒烟限酒同样关键，男性每日酒精不超过 25g，女性不超过 15g。心理因素也不容忽视——长期精神压力会导致交感神经兴奋血压升高，可通过冥想、瑜伽、音乐等方式缓解。
药物治疗
根据血压水平和心血管风险选择合适的降压药物：钙通道阻滞剂（CCB）、血管紧张素转换酶抑制剂（ACEI）、血管紧张素Ⅱ受体拮抗剂（ARB）、β受体阻滞剂和利尿剂等。需要特别强调的是——降压药需要长期规律服用，不可自行增减药量或停药，否则会导致血压剧烈波动，反而增加心脑血管事件风险。
（二）吸烟控制
吸烟是独立于高血压之外的冠心病第二大可控危险因素。烟草中的尼古丁和一氧化碳会损伤血管内皮、促进动脉粥样硬化斑块形成、增加血液黏稠度。
戒烟是一个需要系统策略的行为改变过程。首先建议采用逐步减量法——在戒烟前的一段时间内逐渐降低每日吸烟支数，减轻戒断反应。同时配合尼古丁替代疗法（贴片、口香糖等）缓解生理依赖。环境管理也很重要——清理身边的香烟和烟具，避免前往吸烟场所。戒烟过程中的烦躁、焦虑、失眠等戒断反应是正常现象，可通过运动、深呼吸、阅读等方式转移注意力、缓解压力。必要时寻求专业戒烟门诊的指导。
（三）性别差异与精准干预
通过 SHAP 特征交互分析，我们发现性别与吸烟行为之间存在中等强度的相关性。这意味着对于男性和女性，应该采取差异化的干预策略来最大化干预效果。
对于男性群体，重点是加强吸烟危害的宣传教育，鼓励其积极戒烟，同时关注其血压和血脂的定期检查。对于女性群体，尤其是孕期女性，更需要特别关注被动吸烟（二手烟暴露）问题——女性即使自己不吸烟，配偶或同事吸烟也会显著增加其 CHD 风险。加强保护措施，避免被动吸烟对自身和胎儿的危害。
结论
本研究通过 SMOTE-ENN 算法解决类别不平衡问题、LASSO 回归进行特征筛选、XGBoost 模型建模预测和 SHAP 可解释分析，对 Framingham 数据集进行了完整的冠心病风险预测流程。
核心发现是：年龄、收缩压、总胆固醇、HDL 和吸烟量是冠心病最核心的五个预测因素。基于这一发现，我们提出了以"血压管理、吸烟控制和性别差异化精准干预"为主轴的三位一体预防控制策略。模型 AUC 达到 0.91，在个体层面能给出有参考价值的风险概率评估，为冠心病的早期预警和精准干预提供了数据驱动的决策支持。
由于隐私和合规要求，本研究的详细数据和代码不在此公开。如有学术交流需求，欢迎通过邮箱联系。