开发和多国验证高Lp的新型算法策略 (a) 选
medRxiv : the preprint server for health sciences
|October 4, 2023
概括
一种新的机器学习模型,算法风险检查选升高的Lp(a) (ARISE),有效地识别出具有升高脂蛋白的个体[Lp(a) ]. ARISE显著减少了升高Lp的测试所需的数量,改善了针对性心血管治疗的查.
科学领域:
- 心脏病学 心脏病学
- 生物医学信息学 生物医学信息学
- 机器学习 机器学习
背景情况:
- 升高的脂蛋白[Lp[a]是动脉样硬化心血管疾病 (ASCVD) 和主要心血管不良事件 (MACE) 的重要危险因素.
- 目前的Lp (a) 测试率低于0.5%,阻碍了新兴向疗法的评估和利用.
- 需要改进查策略,以识别患有升高Lp的个体.
研究的目的:
- 开发和验证一种机器学习模型,用于针对性地选高Lp.
- 将开发模型的有效性与现有的心血管风险评估工具进行比较.
主要方法:
- 一个机器学习模型,用于选高Lp(a) 的算法风险检查 (ARISE) 被开发并使用4个基于人口的跨国队列 (英国生物银行,ARIC,CARDIA,MESA) 的数据进行验证.
- 输入特征包括人口统计,药物,诊断,程序,生命体征和实验室测量.
- 该模型的性能与聚合队列方程 (PCE) 进行了比较,用于预测升高的Lp(a) (≥150nmol/L) 以及其对测试所需数量 (NNT) 的影响.
主要成果:
- 使用现有的临床特征,ARISE有效地预测了升高的Lp(a),表现优于PCE.
- 与PCE相比,ARISE显著降低了NNT以识别升高的Lp (a) 的高达67.3%.
- 较高的ARISE概率得分与所有原因死亡率,心血管死亡率和MACE的风险增加有关.
结论:
- 在ARISE模型有效优化针对性查升高的Lp(a) 使用随时可用的临床数据.
- 在电子健康记录 (EHR) 和其他临床环境中部署ARISE可以提高Lp (a) 测试产量.
- 通过ARISE更好地识别患有升高Lp (a) 的个体,将有助于在临床试验和实践中获得新型向疗法的资格.
