使用机器学习算法预测高血压风险:埃塞俄比亚的一项横截面研究
Md Merajul Islam1,2, Md Jahangir Alam2,3, Md Maniruzzaman4
1Department of Statistics, Jatiya Kabi Kazi Nazrul Islam University, Trishal, Mymensingh, Bangladesh.
这项研究开发了一种机器学习系统,用于预测埃塞俄比亚的高血压风险. XGBoost模型的准确度达到88.81%,识别了早期干预的关键风险因素.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 心血管疾病流行病学
背景情况:
- 高血压 (HTN) 是一个重要的全球健康问题,导致心血管疾病和死亡率.
- 早期诊断和自动化系统对于管理HTN至关重要.
- 本研究的重点是预测埃塞俄比亚的HTN风险.
研究的目的:
- 开发和评估用于早期预测高血压风险的机器学习 (ML) 系统.
- 确定与埃塞俄比亚人口中发展HTN相关的关键风险因素.
主要方法:
- 利用了612名埃塞俄比亚受访者的数据集,并使用了27个因子.
- 雇员基于Boruta的特征选择以确定重大风险因素.
- 开发并比较了四种ML模型:物流回归,人工神经网络,随机森林和极端梯度增强 (XGB).
- 评估模型性能使用准确度,精度,回忆,F1得分和AUC.
- 应用夏普利添加剂解释 (SHAP) 进行可解释的风险因素分析.
主要成果:
- 整体HTN的患病率为21.2%.
- XGBoost模型表现出卓越的性能,准确度为88.81%,精度为89.62%,回忆率为97.04%,F1得分为93.18%,AUC为0.894.
- 在SHAP分析中,年龄,体重,体重指数,脂肪,收入,糖尿病,盐摄入量,HTN病史,酒精消耗和吸烟被确定为显著的危险因素.
结论:
- 拟议的ML框架有效地预测了埃塞俄比亚有发展HTN风险的个体.
- 这种工具可以帮助早期预防高血压和个性化治疗策略.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:51Hydra, a Computer-Based Platform for Aiding Clinicians in Cardiovascular Analysis and Diagnosis
Published on: September 26, 2018
相关概念视频
Hypertension III: Clinical Manifestations and Diagnostic Studies
Errors occurring during blood pressure monitoring
Several factors...
Pre-Procedural Guidelines for Assessing Blood Pressure
Hypertension I: Introduction
Hypertension and Regulation of Blood Pressure
Factors affecting Blood pressure
Physiological Factors:
