An Interpretable Machine Learning Model for the Diagnosis of Coronary Heart Disease in Patients with Type 2 Diabetes Mellitus: A Multi-Center Cohort Study

Sintesi Tecnica: Un Modello di Apprendimento Automatico Interpretabile per la Diagnosi della Coronaropatia in Pazienti con Diabete Mellito di Tipo 2

Problematica
I pazienti affetti da Diabete Mellito di Tipo 2 (T2DM) affrontano un rischio significativamente elevato di Coronaropatia (CHD). La fisiopatologia coinvolge il danno vascolare indotto dall'iperglicemia, l'insulino-resistenza e la dislipidemia, che spesso portano a ischemia miocardica "silente" o asintomatica a causa della neuropatia autonomica. Sebbene l'angiografia coronarica rimanga il gold standard diagnostico, la sua natura invasiva ne limita l'utilità per uno screening precoce diffuso. Le alternative non invasive come la CCTA e la RM presentano limitazioni riguardanti l'accessibilità, le controindicazioni e il dibattito diagnostico. Inoltre, i modelli predittivi esistenti per questa specifica popolazione ad alto rischio soffrono spesso di scarsa interpretabilità e di una mancanza di rigorosa validazione multicentrica, ostacolando la loro adozione da parte di clinici non specialisti per la stratificazione del rischio precoce.

Metodologia
Questo studio ha impiegato un disegno di coorte retrospettivo multicentrico coinvolgendo 2.187 pazienti con T2DM raccolti da tre ospedali a Guangdong e Shenzhen, Cina, tra il 2021 e il 2026.

• Partizionamento dei Dati: Il dataset è stato suddiviso in una coorte di addestramento ($n=1.667$) e una coorte di validazione esterna ($n=520$). Il set di addestramento è stato ulteriormente diviso in sottogruppi di addestramento e di validazione interna con un rapporto 7:3.
• Ingegneria delle Caratteristiche (Feature Engineering): I dati sono stati estratti da questionari, esami fisici e test di laboratorio. È stato applicato un rigoroso processo di selezione delle caratteristiche in più fasi:
  1. Analisi della correlazione di Spearman per filtrare la ridondanza.
  2. Fattore di Inflazione della Varianza (VIF) per valutare la multicollinearità.
  3. Un approccio di selezione tripartito combinando la Regressione Logistica Univariata ($P < 0,05$), l'algoritmo Boruta e la regressione LASSO.
  4. Caratteristiche Finali: Sono state selezionate 11 variabili: sesso, età, occupazione, consumo di cibi dolci, storia familiare di diabete, durata del sonno, pressione arteriosa sistolica (SBP), gruppi di frequenza cardiaca, glucosio ematico a digiuno (FBG), HDL-C e LDL-C.
• Sviluppo del Modello: Per affrontare lo squilibrio delle classi, è stato applicato l'over-sampling al set di addestramento. Sono stati costruiti e confrontati quindici distinti modelli di machine learning, tra cui Regressione Logistica (LR), Random Forest (RF), Support Vector Machine (SVM), Reti Neurali a Retropropagazione (BP), Extreme Learning Machine (ELM), Radial Basis Function (RBF), Partial Least Squares (PLS), Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM), Naive Bayes (NB), K-Nearest Neighbors (KNN), Decision Tree (DT), Least Squares SVM (LSSVM), Reti Neurali Convoluzionali (CNN) e Bidirectional LSTM (BiLSTM).
• Metriche di Valutazione: Le prestazioni sono state valutate utilizzando AUC, accuratezza, sensibilità, specificità, PPV, NPV, F1-score, MCC, Brier score, curve di calibrazione e l'Analisi della Curva Decisionale (DCA).
• Interpretabilità: Sono stati utilizzati i valori SHAP (SHapley Additive exPlanations) per quantificare l'importanza delle caratteristiche e fornire spiegazioni locali per le singole predizioni.

Risultati Chiave

• Prestazioni del Modello: Tra i 15 candidati, il modello Gated Recurrent Unit (GRU) ha dimostrato prestazioni superiori.
  • Set di Test Interno: Ha raggiunto un AUC di 0,7625 e una sensibilità di 0,7466.
  • Set di Validazione Esterna: Ha mantenuto una robusta generalizzabilità con un AUC di 0,7188, accuratezza di 0,7192, sensibilità di 0,5639, specificità di 0,7726 e un Brier score di 0,1876.
  • Il modello GRU ha superato gli algoritmi tradizionali (es. LR, RF) e altre architetture di deep learning (es. LSTM, BiLSTM) in termini di equilibrio tra discriminazione e calibrazione. Notevolmente, modelli come LSSVM hanno mostrato un'alta sensibilità ma hanno fallito nella specificità, indicando un bias di classificazione.
• Importanza delle Caratteristiche: L'analisi SHAP ha identificato età, sesso e LDL-C come i predittori più significativi. Altri fattori contribuenti includevano il glucosio ematico a digiuno, la pressione arteriosa sistolica, la durata del sonno e il consumo di cibi dolci.
• Interpretabilità: Il modello ha identificato con successo che i pazienti anziani di sesso maschile con livelli elevati di LDL-C sono quelli a maggior rischio. L'analisi SHAP locale ha evidenziato l'eterogeneità dei fattori di rischio tra gli individui, notando che, sebbene l'LDL-C sia generalmente un predittore positivo, il suo contributo può variare a causa del confondimento terapeutico (es. terapia ipolipemizzante in pazienti con diagnosi di CHD).
• Robustezza: Un'analisi di sensibilità, rilassando i criteri di selezione delle caratteristiche, ha confermato che le prestazioni discriminatorie e l'utilità clinica del modello rimanevano stabili, a supporto della robustezza dei risultati primari.

Significatività e Rivendicazioni
Gli autori sostengono che questo studio stabilisce un modello predittivo basato su GRU e interpretabile, capace di identificare pazienti con CHD ad alto rischio all'interno della popolazione con T2DM utilizzando dati reali multicentrici.

• Utilità Clinica: Il modello è progettato per servire come strumento di supporto decisionale per i clinici non specialisti, consentendo lo screening precoce e gli interventi personalizzati senza la necessità immediata di procedure invasive.
• Generalizzabilità: Lo studio sottolinea la resilienza del modello alla deriva dei dati (data drift), come dimostrato dalle sue prestazioni stabili attraverso coorti di validazione geograficamente e temporalmente distinte, nonostante la significativa eterogeneità di base tra la popolazione di addestramento e quella di validazione.
• Interpretabilità: Integrando SHAP, il modello supera l'approccio "black box", elucidando i ruoli critici delle caratteristiche demografiche, del metabolismo lipidico e dei fattori dello stile di vita nella predizione del rischio di CHD.
• Limitazioni: Gli autori riconoscono con modestia alcune limitazioni, tra cui la natura retrospettiva dello studio, i potenziali bias di selezione e l'esclusione di determinate variabili come la storia farmacologica e i biomarcatori infiammatori. Notano che, sebbene il modello funzioni bene con dati clinici strutturati, è necessaria una validazione prospettica in ampie coorti per ulteriore conferma.

In conclusione, l'articolo sostiene che il modello GRU sviluppato offre una soluzione affidabile, calibrata e interpretabile per la rilevazione precoce della coronaropatia nei pazienti con T2DM, colmando il divario tra le capacità del complesso machine learning e l'applicazione clinica pratica.