对比机器学习和传统模型在中国普通人口中预测动脉样性心血管疾病的性能
Zihao Fan1,2, Zhi Du3, Jinrong Fu4
1Department of Cardiology, The First Hospital of China Medical University, No. 155, Nanjing Bei Street, Shenyang, 110001, China.
与传统计算器相比,机器学习模型结合了多种功能,在中国人群中改善了动脉样硬化心血管疾病 (ASCVD) 风险预测. 这有助于识别高风险个体,以便制定更好的预防策略.
科学领域:
- 心脏病学 心脏病学
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 精确预测动脉样硬化心血管疾病 (ASCVD) 风险对于个性化预防和改善患者结果至关重要.
- 传统的风险计算器在预测不同人群中的ASCVD方面存在局限性.
研究的目的:
- 开发和评估基于机器学习 (ML) 的模型,用于在未来的中国队列中预测ASCVD风险.
- 将ML模型的性能与PCE和China-PAR等既有风险计算器进行比较.
主要方法:
- 使用了具有人口,心电图和心声图特征的混合数据集 (共551个).
- 选择了30个信息功能,并训练了7个ML模型.
- 通过使用歧视,校准和重新分类指标,将ML模型与聚合队列方程 (PCE) 和中国ASCVD风险预测 (中国-PAR) 进行了比较.
主要成果:
- 一个人工神经网络 (ANN) ML模型在测试组中表现出卓越的性能.
- 与传统模型相比,ANN模型实现了0.800的曲线下面积 (AUC).
- 该ANN模型显示了改进的校准 (较低的Hosmer-Lemeshow χ2) 和更高的净收益和净重新分类改进 (NRI).
结论:
- 与传统计算器相比,基于ML的ANN模型提供了增强的ASCVD风险预测.
- 这些模型可以优化对心血管风险较高的个体的识别.
- 结果支持改善ASCVD预防和管理的临床决策.
更多相关视频
09:06Quantitative Analysis of Cellular Composition in Advanced Atherosclerotic Lesions of Smooth Muscle Cell Lineage-Tracing Mice
Published on: February 20, 2019
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
相关概念视频
Coronary Artery Disease I: Introduction
Atherosclerosis I: Introduction
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Atherosclerosis III: Management
Coronary Artery Disease IV: Preventive Measures
