近年来,随着生活水平质量的提升,颈动脉粥样硬化发病率逐年递增。颈动脉粥样硬化是指颈动脉在年龄增长、糖和脂质代谢异常以及高血压等因素综合影响下,逐渐出现粥样硬化病变。颈动脉粥样硬化早期一般是无症状,而其持Erdafitinib供应商续发展是导致缺血性脑卒中的重要原因。据相关调查显示,我国无症状的颈动脉粥样硬化标准发病率高达36.2%。因此建立有效的颈动脉粥样硬化发病风险预测模3-MA MW型,及早预测颈动脉粥样硬化的发生,积极推动一级预防,对防止颈动脉粥样硬化及心脑血管事件的发生具有重要意义。因此本研究利用队列研究设计,以未患颈动脉粥样硬化的人群作为研究对象,采用机器学习领域的stacking集成学习方法并结合医院的电子体检信息,建立一个可以识别颈动脉粥样硬化高危人群的模型。旨在为颈动脉粥样硬化的发病风险提供一种更为准确、更方便快捷的计算方法。本文主要的研究内容和结论如下:(1)查阅了有关颈动脉粥样硬化相关研究文献,将影响颈动脉粥样硬化的特征按照人口学指标、化验指标、临床病史进行整理分类。在山东省某三甲医院医疗数据库中收集1669个样本,主要获取其基线中相关代谢体检数据及后期的疾病发生结局,通过不同的特征选择方法构建了颈动脉粥样硬化相关代谢指标体系。(2)首先分别采用多因素逻辑回归、支持向量机、随机森林、XGBoost、GBDT算法建立颈动脉粥样硬化发病风险的单一预测模型,利用AUC值、混淆矩阵等指标进行模型预测效果优良判别,结果显示五种模型都存在一定程度上的拟合问题,且发病风险预测能力一般。然后采用super learner集成算法将逻辑回归、随机森林、支持向量机、XGBoost、GBDT进行加权,结果显示super learner集成模型解决了单一模型的过拟合和欠拟合问题,且预测效果更优,Biomass pretreatment具备对颈动脉粥样硬化发病风险的预测能力,可以有效识别出潜在的高危人群。(3)利用SHAP框架解决了机器学习模型尤其是复杂模型的“黑盒”问题。对模型的各个特征进行解释,包括在全样本角度下的特征重要性排序,以及针对个体特征方向和特征大小的解释,实现了对每个样本个案的个性化评估,以此可以针对性提出干预方案,从而降低颈动脉粥样硬化高危人群的发病风险。总之,不同于以往研究多聚焦于对颈动脉粥样硬化患者的诊断,本研究以健康人群作为研究对象,采用集成学习算法构建了颈动脉粥样硬化发生风险预测模型,提高了模型的预测能力;丰富了颈动脉粥样硬化疾病预测模型的研究,进一步对模型做出个性化解释,对个体提出针对性的干预方案降低颈动脉粥样硬化高危人群的发病风险,具有一定的实用价值。