在HUNT研究数据上使用机器学习开发发生性高血压的风险模型
Filip Emil Schjerven1, Emma Maria Lovisa Ingeström2, Ingelin Steinsland3
1Department of Computer Science, Norwegian University of Science and Technology, Trondheim, Norway. filip.e.schjerven@ntnu.no.
这项研究使用机器学习在HUNT研究数据上开发了一种11年高血压风险模型. 线性模型和重新校准的弗雷明汉风险模型有效地预测了高血压,即使是最佳的基线血压.
科学领域:
- 心脏病学 心脏病学
- 流行病学 流行病学
- 医疗信息学 医疗信息学
背景情况:
- 高血压风险预测对于预防性医疗保健至关重要.
- 现有的模型可能无法完全捕捉不同人群或正常血压的个体的风险.
- 特伦德拉格健康 (HUNT) 研究为流行病学研究提供了强大的数据集.
研究的目的:
- 开发和评估一个11年高血压风险预测模型.
- 将各种机器学习模型的性能与传统方法进行比较.
- 在一个大规模的挪威队列中确定高血压的关键预测因素.
主要方法:
- 利用了来自HUNT研究 (1995-1997) 的17,852个人的数据.
- 评估了18个临床,行为和社会经济特征.
- 使用机器学习 (XGBoost,弹性回归,SVM,随机森林) 和后勤回归,与参考和外部模型进行比较 (弗莱明汉风险模型).
主要成果:
- 性能最好的模型包括XGBoost,弹性回归和SVM.
- 这些模型准确地预测了高血压风险,包括在具有最佳基线血压 (<120/80 mmHg) 的个体中.
- 经过重新校准的弗雷明汉风险模型显示性能有所改善,接近最好的机器学习模型的性能.
结论:
- 对于表现良好的高血压风险模型,线性效应是足够的.
- 机器学习和重新校准的传统模型可以有效地预测高血压风险,即使在最佳的基线血压.
- 确定的主要预测因素是年龄,血压,BMI,身高和家族史.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
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
相关概念视频
Pre-Procedural Guidelines for Assessing Blood Pressure
Errors occurring during blood pressure monitoring
Several factors...
Hypertension and Regulation of Blood Pressure
Factors affecting Blood pressure
Physiological Factors:
Assessment of blood pressure in brachial artery(two-step method)
