食物炎症评分可能为评估中风风险提供一个具有临床实用性的窗口，这一结论来自对2007年至2018年间国家健康与营养调查(NHANES)数据库中19,681名成年人的大型分析。
该研究考察了基于食物的饮食炎症指数(FII)得出的个体食物炎症评分(FISI)是否与中风患病率相关。慢性系统性炎症被公认为中风的可改变风险因素，而FII框架旨在从食物层面捕捉饮食的炎症潜力，而非仅依赖基于营养素的指数。
在多变量逻辑回归模型中，较高的FISI评分与中风患病率呈剂量依赖性正相关。FISI34、FISI26-USDA和FISI26-CHINA每增加一个单位，中风风险分别增加7%、18%和22%。这些发现表明，在评估成人人群血管风险时，饮食的炎症潜力可能具有可测量的相关性。
机器学习支持饮食信号
为加强解释，研究人员使用了极端梯度提升模型(XGBoost)以及Shapley加性解释(SHAP)分析。这种方法使研究团队能够评估各个预测因子如何影响模型输出，以及FISI测量在机器学习框架内是否保持重要性。
XGBoost模型将FISI34确定为中风的关键预测因子，支持了回归分析的结果方向。SHAP分析的使用增加了模型的可解释性，帮助临床医生理解哪些变量可能驱动预测风险，而非将机器学习输出视为"黑箱"。
抗炎饮食与预防
这些发现将食物炎症评分定位为个性化饮食预防策略的潜在工具。食品炎症指数可能有助于将炎症性饮食风险转化为更具操作性的、特定食物的建议，而非仅提供广泛的营养水平指导。
对于美国医疗专业人员而言，这些结果强化了对具有血管风险因素的成人进行饮食模式评估的重要性。虽然该分析确立了关联性而非因果关系，但FISI与中风患病率之间的剂量依赖性关系突显了抗炎饮食作为更广泛中风预防策略一部分的潜在临床价值。
参考文献
Yan Z等. 探究个体食物炎症评分与成人中风的关联：一种通过Shapley加性解释解释的极端梯度提升机器学习模型. J Health Popul Nutr. 2026;doi:10.1186/s41043-026-01342-6.
【全文结束】