在中国老年人群中使用机器学习预测缺血性中风:鲁高纵向衰老研究
Huai-Wen Chang1, Hui Zhang2,3, Guo-Ping Shi2,4
1Department of Computational Biology, School of Life Sciences, Fudan University, Shanghai, China.
Brain and behavior
|November 7, 2023
概括
机器学习 (ML) 模型,特别是支持矢量机 (SVM),在预测中国缺血性中风风险方面表现出卓越的准确性.
科学领域:
- 老年学是指老年学的学科.
- 神经学 神经学
- 生物统计学 生物统计学
背景情况:
- 缺血性中风对老年人群构成重大健康风险.
- 准确的风险预测对于及时干预和预防策略至关重要.
- 传统的物流回归 (LR) 模型可能无法完全捕捉复杂的风险因素相互作用.
研究的目的:
- 为了比较物流回归 (LR) 与各种机器学习 (ML) 模型对中国老年人缺血性中风风险的预测性能.
- 在这个人口群体中确定缺血性中风的关键预测因素.
- 评估ML在提高临床风险评估方面的潜力.
主要方法:
- 利用了2208名参与鲁高长度衰老研究 (RLAS) 的数据.
- 输入变量包括103种表型.
- 将LR与ML模型进行比较:随机森林 (RF),高斯核支持向量机器 (SVM),多层感知器 (MLP),K-最近邻近算法 (KNN) 和梯度增强决策树 (GBDT) 用于三年缺血性中风风险预测.
主要成果:
- 确定了年龄,脉,腰围,教育,β2-微型球蛋白,同氨酸,囊素C,叶酸,自由三甲状腺素,血小板分布宽度,QT间隔和QTc间隔作为重要的预测因素.
- 机器学习模型,特别是SVM,有效地纳入了LR所使用的人口因素之外的多维表型指标 (生化,心电图).
- SVM实现了最佳的区分和校准 (C指数:0.79),在模型实用性方面比LR提高了11.27%.
结论:
- 与后勤回归相比,机器学习模型,特别是SVM,在中国老年人群中提供更高的准确性和更好的歧视/校准,用于预测缺血性中风风险.
- 机器学习能够整合多样化的表型数据,提高了预测能力.
- 这些发现强调了ML在改善缺血性中风风险评估和管理方面的临床实用性和潜力.
