优化心血管疾病死亡率预测:德黑兰脂质和葡萄糖研究中的超级学习者方法

科学领域:

• 心血管疾病的研究研究.
• 生物统计学 生物统计学
• 机器学习在医疗保健中的应用

背景情况:

• 心血管疾病 (CVD) 是全球主要的死亡原因.
• 预测心血管疾病相关的死亡率对于公共卫生和成本管理至关重要.
• 机器学习 (ML) 提供了改善心血管疾病死亡率预测的潜力.

研究的目的:

• 评估ML生存模型对心血管疾病死亡率预测的性能.
• 确定最佳的ML模型来预测与心血管疾病相关的死亡.
• 将ML模型与传统的Cox比例危险模型进行比较.

主要方法:

• 利用了德黑兰脂质和葡萄糖研究 (TLGS) 的9258名参与者 (年龄大于30岁) 的数据.
• 应用梯度提升 (GBM),支持矢量机 (SVM),超级学习 (SL) 和考克斯比例危险 (Cox-PH) 模型.
• 评估模型使用屏障评分,预测错误,C指数和依赖时间的曲线下的区域 (TD-AUC).

主要成果:

• 超级学习者 (SL) 获得了最高的预测性能 (TD-AUC> 93.50%).
• 支持矢量机 (SVM) 在ML模型中表现最低 (TD-AUC = 90.13%).
• 确定了关键预测因素:年龄,禁食血糖,静脉血压,吸烟,阿司匹林使用,静脉血压,2型糖尿病,部周长,BMI和甘油三.

结论:

• 与Cox-PH相比,ML模型,特别是SL模型,在预测心血管疾病死亡率方面表现优越.
• 调查结果基于伊朗德黑兰一个庞大而多样化的城市人口.
• 机器学习模型有望提高心血管疾病风险分层和临床决策.