Aprendizaje automático y valores SHAP para predecir el riesgo de enfermedad de las arterias coronarias en Xinjiang,...

Área de la Ciencia:

• Informática Biomédica
• Investigación Cardiovascular
• Aprendizaje Automático en Atención Médica

Sus antecedentes:

• La evaluación precisa del riesgo de enfermedad cardiovascular aterosclerótica (ASCVD) es vital para la prevención.
• Los modelos de predicción existentes carecen de representación multiétnica, particularmente para Xinjiang, China.
• Necesidad de modelos interpretables para guiar estrategias personalizadas de prevención de ASCVD.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) interpretable para la predicción del riesgo de enfermedad de las arterias coronarias (EAC).
• Evaluar el rendimiento y la utilidad clínica del modelo en una población multiétnica de Xinjiang.
• Identificar biomarcadores clave y factores demográficos que influyen en el riesgo de EAC en la región.

Principales métodos:

• Estudio de cohorte retrospectivo que utiliza datos de angiografía coronaria/CCTA de pacientes de Xinjiang.
• Selección de características mediante regresión logística y LASSO; desarrollo del modelo utilizando XGBoost, RF, MLP, SVM, KNN y AdaBoost.
• Evaluación del rendimiento utilizando AUROC, curvas de calibración, puntuación de Brier, análisis de curva de decisión y comparación con el modelo SCORE2 Asia Pacific.

Principales resultados:

• El modelo XGBoost logró altos AUROC (Hombres: 0.826, Mujeres: 0.786 en conjuntos de prueba).
• Identificó factores de riesgo clave: edad, creatinina, colesterol, Lp(a), HDL-C, hipertensión, diabetes (variando según sexo y etnia).
• El modelo demostró una capacidad discriminatoria y calibración superiores en comparación con SCORE2 Asia Pacific, con una utilidad clínica favorable.

Conclusiones:

• Los modelos de ML interpretables ofrecen una predicción del riesgo de EAC personalizada y precisa.
• El modelo desarrollado identifica eficazmente los factores de riesgo modificables para mejorar la prevención de enfermedades cardiovasculares en Xinjiang.
• Los hallazgos respaldan la aplicación de enfoques de ML adaptados para poblaciones diversas.