预测模型和风险分析冠心病在艾滋病毒感染者使用机器学习
Zengjing Liu1, Zhihao Meng2, Di Wei2
1Information and Management College of Guangxi Medical University, Nanning, Guangxi, 530021, China.
BMC medical informatics and decision making
|April 25, 2024
概括
机器学习模型可以使用电子医疗记录预测人类免疫缺陷病毒 (PLHIV) 感染者的冠心病 (CHD) 风险. 轻GBM模型表现最好,识别了改善患者护理的关键风险因素.
科学领域:
- 心脏病学 心脏病学
- 传染性疾病 传染性疾病
- 数据科学数据科学数据科学
背景情况:
- 携带人类免疫缺陷病毒 (PLHIV) 的人患冠状动脉心脏病 (CHD) 的风险增加.
- 准确的CHD风险预测对于管理PLHIV患者的心血管健康至关重要.
- 电子医疗记录 (EMR) 为开发预测模型提供了丰富的数据来源.
研究的目的:
- 使用机器学习 (ML) 和EMR数据构建和验证PLHIV的CHD风险预测模型.
- 确定PLHIV群体中CHD风险的关键预测因素.
- 为了在PLHIV护理中提高临床决策,利用ML来提高临床决策.
主要方法:
- 利用EMR的61个医疗特征进行分析.
- 开发并比较了七个ML算法:LightGBM,SVM,XGBoost,AdaBoost,决策树,MLP和物流回归.
- 使用接收器运行特征曲线 (AUC) 下的面积评估模型性能,并使用SHAP进行解释.
主要成果:
- 轻GBM模型实现了最高的AUC (0.849),表明了优越的预测性能.
- 通过LightGBM模型确定的关键预测因素包括年龄,心力衰竭,高血压,葡萄糖,血清肌,间接 bilirubin,血清尿酸和氨酶.
- 这些因素有效地将PLHIV与高风险或低风险的CHD区分开来.
结论:
- 通过使用ML和EMR数据,成功开发了一种针对PLHIV的强大的心脏病风险预测模型.
- 轻GBM模型显示出高可靠性和临床应用潜力,用于管理PLHIV.
- 这种方法可以促进在EMR时代为PLHIV制定有针对性的临床管理策略.
