在英国生物银行使用机器学习模型预测心房动和中风

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 生物标志物研究 生物标志物研究

背景情况:

• 心房动 (AF) 是一种常见的心律失常,与低估的缺血性中风风险有关,通常发生无症状.
• 准确预测AF和随后的中风风险对于有效的患者管理至关重要.

研究的目的:

• 开发和比较机器学习 (ML) 模型来预测一般人群中的AF.
• 开发和比较ML模型来预测被诊断为AF的患者的缺血性中风.

主要方法:

• 使用了英国生物库数据,包括临床,问卷,生化和遗传信息.
• 构建和评估各种ML模型:XGBoost,LightGBM,随机森林,深度神经网络,支持矢量机器和拉索逻辑回归.
• 使用SHapley添加式扩展 (SHAP) 评估特征重要性,并将ML模型与中风预测的CHA2DS2-VASc得分进行比较.

主要成果:

• 在AF预测中,LightGBM实现了0.729的最高AUROC.
• 在AF患者中,XGBoost在缺血性中风预测方面表现优异,AUROC为0.631,显著超过CHA2DS2-VASc评分.
• SHAP分析确定了与缺血性中风风险相关的关键外围血液生物标志物 (例如,肌素,糖化血红蛋白,单细胞),不包括在CHA2DS2-VASc.

结论:

• 开发的ML模型显示了在预测AF和缺血性中风方面临床应用的潜力,等待进一步验证.
• 建议将常规测量的血液生物标志物纳入AF患者中风风险预测中.
• 机器学习提供了一种强大的方法,可以超越传统的临床分数,提高心血管风险预测.