多模态心脏病风险评估：融合生活方式与临床数据的机器学习实践

本项目（multimodal-heart-risk-ml）由Durga200422开发，旨在通过融合BRFSS生活方式调查数据与Cardio临床指标提升心脏病风险预测准确性。项目采用LinearSVM基线模型与Stacking集成策略，结合SHAP可解释AI技术及Streamlit交互式应用，为医疗AI提供兼顾性能与透明度的解决方案。

心脏病是全球主要健康威胁之一。传统风险评估依赖单一数据源（临床或生活方式），但心脏健康受生理、行为等多因素共同影响。本项目通过多模态数据融合解决单一数据源局限性，构建更全面的风险评估模型。

BRFSS生活方式数据：美国疾控中心主导的大规模调查，涵盖吸烟、饮食等因素，需解决分类数据、缺失值及相关性问题； Cardio临床数据：包括血压、胆固醇等生理指标，精确但采集成本高； 整合价值：如高血压+吸烟的协同风险效应，模型可学习此类交互模式提升精准度。

LinearSVM基线：适用于高维数据，泛化能力强，决策边界易解释； Stacking集成：训练多基学习器后用元学习器组合预测，捕捉不同模型互补性； 优化：超参数调优，平衡敏感性（不漏诊）与特异性（不误诊）。

必要性：黑箱模型难被医生接受，需理解决策逻辑以避免偏见； SHAP分析：量化单个特征对预测的贡献，回答“为何该患者高风险”； 置换重要性：评估特征全局重要性，为公共卫生政策提供参考； 局部与全局结合：满足医生（单病例）与研究者（整体模式）的不同需求。

项目提供基于Streamlit的交互式Web应用，功能包括：数据输入表单（生活方式+临床数据）、实时风险预测、个性化解释（影响评分的主要因素）、可视化仪表板（人群风险分布趋势），实现端到端用户友好体验。

价值：助力预防医学，早期识别高风险人群以采取干预措施； 局限：模型泛化性受人群差异影响，预测基于相关性而非因果； 未来：引入基因/可穿戴数据、深度学习架构、持续学习机制优化模型。