相关实验视频
Updated: Nov 9, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.3K
基于机器学习的特定种族模型的开发和验证,以预测心脏衰竭的10年风险:多队列分析
Matthew W Segar1,2, Byron C Jaeger3, Kershaw V Patel1,4
1Division of Cardiology, Department of Internal Medicine, University of Texas Southwestern Medical Center, Dallas (M.W.S., K.V.P., A.C., C.A., S.R., J.A.d.L., A.P.).
Circulation
|April 13, 2021
概括
机器学习模型可以更好地预测不同种族的心力衰竭风险. 这些特定于种族的模型识别出独特的风险因素,提高了不同人群的预测准确性.
科学领域:
- 心脏病学
- 生物医学信息学
- 健康上的差异
背景情况:
- 心力衰竭 (HF) 的风险及其预测因种族而异.
- 传统的高血压风险模型往往忽略了关键的生物标志物和特定种族的细微差别.
- 机器学习 (ML) 提供了开发更准确,种族特定的HF预测模型的潜力.
研究的目的:
- 开发和验证特定种族的机器学习 (ML) 模型来预测心力衰竭 (HF) 的风险.
- 将ML模型的性能与传统的HF风险模型进行比较.
- 在不同种族群体中确定不同的HF风险贡献者.
主要方法:
- 对四项大型社区队列研究 (ARIC,DHS,JHS,MESA) 的回顾性分析.
- 使用人口,临床,实验室和心电图的种族特异性ML模型的开发.
- 在集成的队列中对ML模型进行外部验证,并与已确定的风险模型进行比较.
主要成果:
- 种族特定的ML模型在衍生队列中显示出优异的歧视 (黑人:C指数=0.88,白人:C指数=0.89).
- 与传统或非种族特定模型相比,验证的ML模型显示出更好的歧视 (黑人:C指数=0.80-0.83,白人:C指数=0.82).
- 尿酸水平是跨种族的关键预测指标;对黑人和白人来说,特罗波宁和心电图电压分别很重要.
结论:
- 综合多种数据类型的种族特异性ML模型在HF风险预测中表现优于传统和非种族特异性模型.
- 这种ML方法有效地确定了独特的,种族特异性的HF发展贡献者.
- 这些发现支持针对不同人群的风险评估和干预策略.
