机器学习模型预测了在7年后的高血压患者中截肢和/或外周动脉再血管化的需要
概括
机器学习模型可以预测高血压患者的下肢截肢或外周再血管化. 随机森林模型显示了最高的准确性,有助于早期风险识别.
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:
- 未经诊断的外周动脉疾病 (PAD) 经常导致严重的结果,如下肢截肢和外周再血管.
- 高血压是PAD进展和相关血管事件的重要危险因素.
研究的目的:
- 开发和评估机器学习模型,以预测高血压患者的截肢或外周再血管化的需要.
- 识别可能受益于早期干预的高风险个体,以预防严重的血管并发症.
主要方法:
- 利用非干预性"getABI"研究队列,包括4191名65岁以上的高血压患者.
- 应用机器学习分类器:极端梯度提升 (XGBoost),随机森林 (RF) 和自适应提升 (AdaBoost).
- 随访患者长达7年,记录截肢或外周再血管化的结果.
主要成果:
- 随机森林模型在预测截肢或外周再血管化的复合终点方面达到最高准确率 (73.27%).
- 使用精度,特异性,灵敏度和曲线下的面积 (AUC) 评估模型性能.
- 在随访期间,队列中的150名患者接受了截肢或外周再血管化.
结论:
- 机器学习模型,特别是随机森林,可以有效地预测高血压患者的严重血管结果.
- 这些预测模型提供了有价值的临床决策支持,用于识别有风险的个体和指导治疗策略.
- 在高血压人群中,早期识别和干预可能会降低截肢的发生率和对外周再血管化的需求.
