利用机器学习算法,预测中国人口的动脉斑块
Shuwei Weng1,2, Jin Chen1,2, Chen Ding3
1Department of Cardiovascular Medicine, The Second Xiangya Hospital, Central South University, Changsha, Hunan, China.
Frontiers in physiology
|November 29, 2023
概括
机器学习模型可以使用常规健康数据有效预测动脉斑块 (CAP). 轻GBM模型显示高准确度,识别年龄,LDL-c和血压作为早期中风预防的关键风险因素.
科学领域:
- 心血管医学 心血管医学
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
背景情况:
- 缺血性中风对全球健康造成重大负担,动脉斑块 (CAP) 是主要的危险因素.
- 早期CAP查对于降低中风发病率至关重要,但全国范围的数据缺乏.
- 机器学习 (ML) 提供了一种成本效益高的CAP选方法.
研究的目的:
- 开发和评估用于预测CAP发生的ML模型.
- 为了利用例行健康检查和血液标记数据进行CAP预测.
- 通过 ML 分析,确定 CAP 发展的关键指标.
主要方法:
- 利用了5211名参与者 (年龄在18-70岁) 的数据,包括健康检查和生化指标.
- 通过弹性净回归开发了6个ML模型,使用13个选定的指标.
- 使用准确度,灵敏度,特异性和AUC等指标评估模型性能,并评估特征重要性.
主要成果:
- 轻GBM模型以91.8%的准确度显示出最高的准确度.
- 确定的主要预测因素包括年龄,低密度脂蛋白胆固醇 (LDL-c) 和静缩血压.
- 特性重要性分析证实了这些人口和生化标志物的重要作用.
结论:
- 该LightGBM模型有效地预测了动脉斑块的发生.
- 常规的人口统计,体检和生物化学数据对于CAP预测非常有价值.
- 这种ML方法为有效的CAP查和中风风险评估提供了一个有希望的工具.
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
8.3K
13:45A Method to Study the Correlation Between Local Collagen Structure and Mechanical Properties of Atherosclerotic Plaque Fibrous Tissue
Published on: November 11, 2022
2.1K
