一种具有成本效益的,以机器学习为驱动的方法,用于在大规模的中国人口中选动脉功能衰老

科学领域:

• 心血管健康 心血管健康
• 机器学习在医学中的应用
• 公共卫生查 公共卫生查

背景情况:

• 血管衰老是心血管风险的关键指标,在早期往往没有被发现.
• 目前的查方法可能资源密集,可能无法主动识别高风险个体.
• 开发可访问的工具,以早期检测血管衰老对于预防性医疗保健至关重要.

研究的目的:

• 开发和验证一种免费的机器学习模型,用于预测动脉硬度升高 (EAS).
• 用随时可用的问卷和物理数据识别血管衰老的高风险人群.
• 通过早期识别易患动脉衰老的个体,优化医疗保健资源分配.

主要方法:

• 利用了77,134名成年人的数据集,包括问卷答复和身体测量.
• 使用特征选择技术 (LASSO,RFE-LGE) 来识别关键预测变量.
• 训练并评估了四个机器学习算法,包括XGBoost,用于使用70/30列车测试分割进行EAS预测.

主要成果:

• 使用14个可访问的特征构建了一个模型,包括静缩血压,年龄和腰围.
• 极端梯度增强 (XGBoost) 模型表现出优异的性能,曲线下面积 (AUC) 值为0.8722 (训练) 和0.8710 (测试).
• 确定的主要预测因素是静脉压,年龄,腰围,高血压史和性别.

结论:

• XGBoost模型有效地预测了一般人群中动脉硬度升高的先前概率.
• 整合到初级保健可以显著降低与血管衰老相关的医疗保健成本.
• 这种可访问的查工具有助于加强对动脉衰老的管理和预防性心血管护理.