Petal-X ：心血管疾病临床风险可视化工具

心血管疾病（Cardiovascular diseases, CVDs）是全球致死的首要原因，但在大多数情况下，它们是可以通过行为干预来预防的。因此，在个体层面上，有效地传达心血管疾病的风险以及通过风险因素的修改来预计风险降低对于降低心血管疾病风险至关重要。然而，尽管人们对于使用改进的预测模型（如SCORE2）来精细化风险估计感兴趣，但在过去几年中，临床实践中呈现这些风险估计的指导方针本质上没有变化，图形评分表（Graphical Score Charts, GSCs）继续是普遍使用的系统之一。这些图表通过将模型预测因子交叉制表，每个因子被重新编码为几个类别，然后使用颜色编码每个单元格中的风险估计值。尽管GSCs在简化模型的同时，也提供了一种直观的方式来理解和使用风险预测模型，但它们在解释模型的具体工作原理方面存在限制。

本文提出并评估了Petal-X，这是一个针对普通受众的工具，使用新颖的视觉表示——花瓣乘积图（Petal Product Plots）来提供SCORE2的事后解释。该工具的设计旨在解决现有CVD风险沟通工具的挑战，并支持有效的临床医生与患者之间的CVD风险沟通。

1 设计与实现

Petal-X的设计和实现是围绕两个主要构建块进行的：一个为SCORE2量身定制的全局代理模型和Petal Product Plots（花瓣乘积图）。

1.1 SCORE2 心血管风险模型

SCORE2 是一种预测模型，用于估计 40-69 岁无既往 CVD 或糖尿病个体的 10 年致命和非致命 CVD 风险。

模型参数: SCORE2 使用五个预测因子：年龄、吸烟状况、收缩压、总胆固醇和高密度脂蛋白胆固醇 (HDL) 胆固醇。
模型公式: 使用公式 (1) 将预测因子映射到 10 年 CVD 风险百分比。

1.2 全局代理模型

为了使患者或医疗专业人员能够解决以下三个挑战：

识别 CVD 风险: 用户应能够识别患者的 10 年 CVD 风险。
理解每个风险因素的贡献: 用户应能够理解每个风险因素对总 10 年 CVD 风险的贡献。
进行假设分析: 用户应能够理解如果患者的风险因素值发生变化，模型输出风险会降低多少。

仅提供SCORE2模型的10年CVD风险百分比输出是不够的；需要更多模型细节来使模型的功能对目标受众清晰和易于理解。尽管SCORE2被认为是一个（本质上）可解释的模型，但由于它应用了多个非线性函数，即使是这个公式也不能使SCORE2的功能对普通受众更清晰或更易于理解。因此，需要事后解释来向患者描述SCORE2模型的工作原理。

我们选择了全局代理模型，因为可以直接应用SCORE2模型经过的相同验证过程来验证它们，这是在临床实践中广泛采用任何辅助解释SCORE2模型的方法之前的一个要求。我们使用线性回归作为代理模型，线性回归模型具有直观的系数解释，易于理解每个风险因素对 CVD 风险的影响。