今天这篇文章，亮点满满！我国学者结合了遗传学、流行病学、机器学习和公共卫生等多领域方法，用一个全面的视角探讨了关于偏头痛的可改变的风险因素。
方法做的深入且扎实，十分值得参考和学习！
偏头痛作为全球第二大神经系统致残疾病，现有研究多依赖流行病学关联，难以区分风险因素的因果性与混杂干扰。更关键的是，缺乏整合多维度数据的预测工具，导致个体化干预难以落地。
2025年5月6日 ， 安徽医科大学潘海峰团队通过孟德尔随机化＋机器学习＋SHAP法， 数据源于公共数据库 （ GBD＋NAHNES） ， 在期刊 《Journal of Headache And Pain 》 （医学 top 一区，IF=7.3） 发表题为: “ Unveiling new insights into migraine risk stratification using machine learning models of adjustable risk factors ” 的研究 论 文。
研究团队 通过整合因果推断、机器学习和负担预测，系统揭示代谢、心血管及心理因素对偏头痛的因果影响，构建高精度风险预测模型，并量化未来疾病负担。
本公号回复 “ 原文” 即可获得 文献PDF 等资料
首先，研究通过两样本孟德尔随机化（MR） 评估代谢、身体成分、心血管、行为和心理五大领域风险因素与偏头痛的因果关联； 其次，研究利用集成机器学习模型 （如随机森林、支持向量机等） 构建个体化风险预测工具，结合SHAP值解释特征重要性；
数据来源： 美国国家健康与营养调查（NHANES 1999-2004年）
最后，通过贝叶斯年龄-时期-队列模型（BAPC） 预测2050年偏头痛的发病率、患病率和伤残调整生命年（DALYs），评估区域特异性负担趋势。
与先前的观察性证据不同， MR 分析 确定了多种可改变的危险因素 与偏头痛风险之间存在显著的因果关联。
其中， 2型糖尿病（T2DM），肥胖2级、超重、BMI、 髋围（HC）和心肌梗死与偏头痛风险呈负相关；而心理因素——“感到痛苦”，则显著增加 风险。 基于Boruta算法，研究筛选了5个关键预测因子：BMI 、 HC 、腰围（ WC）、性别和 收缩压（SBP）。其中， 性别是最主要的风险因素。 基于上述变量，研究团队 开发和验证了八个机器学习模型，结果显示， 随机森林模型预 测偏头痛风险的性能最佳 （AUC=0.927）。 此外，研究团队基于GBD数据，进一步预测了2050年偏头痛的全球疾病负担。 结果发 现，尽管2050年偏头痛的发病率预计下降25.5%（至858.45/10万）， 但其患病率和DALYs仍居高不下， 凸显了及时干预以最大限度地提高健康收益的紧迫性。 图4 基于BAPC模型 评估， 到2050年的 全球测绘的潜在健康效益和 偏头痛负担 综上所 述，研究建立了可调节偏头痛决定因素的分层证据，并将研究结果转化为可扩展的预防框架，为偏头痛预防提供了一个协调因果推断、个体化风险预测和全球负担映射的三方框架。
发文已经卷到这个难度了？不过，难也别担心，不会就找郑老师团队！
本文涉及的 GBD数据库、NHANES数据库以及孟德尔随机化方法和机器学习方法，郑老师团队均提供统计服务！ 精准解决科研痛点，一站式服务你的发文流程！
