亚洲人群中ASCVD风险预测的机器学习模型 - 如何验证模型是重要的
Yu-Chung Hsiao1, Chen-Yuan Kuo2, Fang-Ju Lin3,4
1Department of Internal Medicine, National Taiwan University Hospital.
Acta Cardiologica Sinica
|November 29, 2023
概括
机器学习模型显示出在台湾预测动脉样硬化心血管疾病 (ASCVD) 风险的潜力. 转移学习方法需要仔细验证,以确保可靠的ASCVD风险预测,以改善患者护理.
科学领域:
- 心血管疾病流行病学
- 医疗保健中的机器学习
- 生物统计学和预测建模
背景情况:
- 动脉样性心血管疾病 (ASCVD) 构成了全球健康负担,在台湾的患病率很高.
- 现有的ASCVD风险评估工具在台湾人口中缺乏广泛的接受和验证.
- 对于有效的预防策略,需要强大的本地化风险预测模型至关重要.
研究的目的:
- 评估在台湾的ASCVD风险预测中采用包含转移学习的机器学习 (ML) 模型的可行性.
- 开发和验证使用台湾患者队伍的预测模型.
- 评估ML模型在预测主要心血管不良事件方面的性能.
主要方法:
- 在台湾利用了两个多中心观测注册表队列 (T-SPARCLE和T-PPARCLE).
- 根据已建立的欧洲,美国和亚洲临床指南选择的预测变量.
- 采用十倍交叉验证和时间验证用于二进制分类和时间到事件分析.
主要成果:
- 最初的二进制分类显示了极端梯度提升 (XGBoost) 和随机森林 (AUC-ROC 0.72-0.73) 的竞争性性能.
- 时间验证显示性能下降,XGBoost (0.66) 和随机森林 (0.69) 的AUC-ROC下降,突出了概括性的挑战.
- 时间到事件分析在大多数模型中产生约0.70的一致性指数,表明适度的预测能力.
结论:
- 机器学习模型,特别是转移学习,证明了开发心血管风险预测工具的潜在实用性.
- 严格的时间验证对于确保基于ML的风险预测模型的可靠性和通用性至关重要.
- 未来临床实施需要进一步细化和验证,以提高ASCVD患者的护理.
