摘要
目的
本研究使用2005-2018年NHANES数据，探讨了内脏脂肪代谢评分（METS-VF）与美国成年人心力衰竭（HF）患病率之间的关系，结合机器学习（LightGBM/XGBoost）和SHAP进行分类性能评估和特征解释。
方法
在排除缺失数据后，对30,704名参与者进行了加权统计分析、限制性立方样条（RCS）、分层分析和多变量逻辑回归。比较了集成模型在HF分类中的表现，并用SHAP量化特征重要性。
结果
HF患者表现出更高的METS-VF（7.35 ± 0.53 vs. 6.79 ± 0.72，P < 0.001）和更差的心脏代谢特征。多变量调整显示，METS-VF每增加1个单位，HF患病率增加2.249倍（95% CI: 1.503–3.366，P < 0.001），并存在非线性阈值效应（拐点 = 7.151；OR = 3.321，95% CI: 3.464–8.494，当METS-VF ≥ 7.151时）。肥胖（BMI ≥ 30 kg/m²）放大了这一关联（OR = 5.857）。LightGBM在分类中优于逻辑回归（AUC = 0.964 vs. 0.907），SHAP识别出METS-VF为主要贡献者（重要性权重 = 18.6%），超越高血压（10.8%）和冠状动脉疾病（11.7%）。相关性验证表明，METS-VF是内脏脂肪和代谢功能障碍的综合指标（腰围 r = 0.43，高密度脂蛋白胆固醇 r = -0.38，所有 P < 0.001）。
结论
METS-VF与HF患病率独立且非线性相关，特别是在肥胖个体中。机器学习通过捕捉复杂交互作用提高了预测准确性，而基于SHAP的可解释性确立了METS-VF作为整合代谢-脂肪异常的关键生物标志物，为个性化HF预防提供了新目标。
引言
心力衰竭（HF）仍然是美国公共卫生的重要挑战，其患病率的上升给医疗系统带来了沉重负担。病理生理学上，代谢功能障碍和脂肪组织异常是HF进展的关键驱动因素，导致心肌损伤、炎症级联反应和血流动力学不稳定。然而，缺乏一种整合这些交互路径的可靠生物标志物，限制了高危人群的风险分层和个性化预防策略。
内脏脂肪代谢评分（METS-VF）是一种反映肥胖和代谢稳态的新型综合指标，连接了肥胖相关途径和心脏代谢健康。通过综合腰围、血脂谱和葡萄糖代谢等参数，METS-VF捕捉了内脏脂肪和全身代谢失调之间的复杂相互作用。
材料与方法
数据来源和研究人群
本横断面分析使用了2005-2018年全国健康与营养检查调查（NHANES）的全国代表性数据，该调查采用多阶段概率抽样设计，捕获美国人口的人口统计、人体测量、实验室和自我报告健康数据。研究队列包括具有完整HF状态、METS-VF值和关键协变量数据的参与者。最终分析样本包括30,704名参与者。
心力衰竭和协变量评估
HF状态通过NHANES医学状况问卷确定：“是否有医生或其他健康专业人员曾告诉您患有充血性心力衰竭？”回答分为“是”或“否”，肯定答案被归类为HF病例。
协变量包括：人口统计学（年龄、性别、种族/民族）、社会经济因素（教育水平、家庭收入与贫困比率、婚姻状况）、生活方式变量（当前吸烟状态、饮酒模式）、人体测量（体重指数、腰围、身高）和临床合并症（糖尿病、高血压、冠心病、心绞痛、心肌梗死史、中风）。
内脏脂肪代谢评分（METS-VF）评估
METS-VF基于先前发布的公式构建，综合了内脏脂肪分布（WHtR）、代谢参数（METS-IR）和人口统计学，作为心脏代谢异常的综合标志物。
结果
基线特征
研究包括30,704名参与者，其中886人（2.89%）报告有HF病史。与非HF个体相比，HF患者表现出显著更高的METS-VF评分（P < 0.001），年龄更大，男性比例更高，高血压、糖尿病和其他心血管合并症的患病率更高。
METS-VF与心力衰竭的关联
METS-VF与心力衰竭的剂量-反应关系
逻辑回归分析显示，在完全调整模型中，METS-VF每增加1个单位，HF患病率增加2.249倍（OR = 2.249，95% CI: 1.503–3.366，P < 0.001）。跨METS-VF四分位数观察到显著的剂量-反应趋势（P for trend < 0.001）。
非线性关联和阈值效应
限制性立方样条分析进一步识别了非线性关系。当METS-VF超过7.0时，HF关联显著增强。两段线性回归确认了拐点为7.151：对于METS-VF ≥ 7.151，OR飙升至5.424（95% CI: 3.464–8.494，P < 0.001），而在该阈值以下无显著关联。
亚组效应分析
亚组分析显示，METS-VF与HF在各亚组中的一致关联，BMI ≥ 30 kg/m²个体中关联最强（OR = 5.857，95% CI: 3.152–10.883），约为BMI < 30 kg/m²个体的三倍。
机器学习模型性能
10折交叉验证比较了逻辑回归、XGBoost和LightGBM的预测性能，结果显示非线性模型显著优于线性模型。LightGBM实现了最高的判别准确度，AUC为0.964（95% CI: 0.959–0.969），准确率为0.976，精确率为0.836。
特征重要性和SHAP可视化
SHAP驱动的特征重要性排名
基于LightGBM模型的SHAP分析显示，METS-VF是HF患病率评估的潜在驱动因素，特征重要性权重为18.6%，显著高于冠心病（11.7%）、高血压（10.8%）、心脏病发作史（8.3%）和年龄（6.9%）。
全局特征效应的异质分布
SHAP蜂群图可视化了每个特征对HF分类概率的贡献分布。METS-VF在SHAP值中表现出显著的异质性，范围从-0.10到0.18，远超其他特征。
细粒度局部个体效应分析
SHAP瀑布图提供了特定案例的特征交互详细分析。在一名45岁正常BMI（25 kg/m²）且无基础疾病的男性中，METS-VF值为7.0（接近阈值7.151），产生了-0.00515的SHAP值，负向调节HF分类概率，抵消了65%的年龄正向贡献。
讨论
这项全国代表性队列分析揭示了内脏脂肪代谢评分（METS-VF）与心力衰竭（HF）患病率之间的强烈剂量依赖性关联，独立于传统风险因素。多元逻辑回归显示，即使在调整混杂因素后，METS-VF每增加1个单位仍与HF患病率显著相关（OR = 2.249，95% CI: 1.503–3.366，P < 0.001）。
结论
METS-VF在具有全国代表性的美国队列中显示出与HF患病率的稳健关联。非线性机器学习模型展示了优越的预测准确性和解释能力，SHAP分析有效地将复杂的算法洞察转化为临床可操作的解释。这些发现使METS-VF成为HF评估的有价值综合生物标志物，并强调了解释性AI框架在将高级分析与现实世界临床决策相结合中的实用性。
【全文结束】
=====
已剔除非正文内容，包括网页导航、广告和其他无关信息。翻译稿忠实于原文，确保术语、数据和逻辑表达的准确性。保持了原文风格和语气。
(全文结束)
