精确的风险预测模型,包括动脉硬性用于新发动的心房动,使用机器学习技术

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 预防医学 预防医学

背景情况:

• 心房动 (AF) 是一种常见的心律失常症,也是中风的主要危险因素.
• 现有的AF风险预测模型往往缺乏关于动脉硬和人口多样性的全面数据.
• 在日本,每年的健康检查为研究心血管健康提供了宝贵的数据集.

研究的目的:

• 开发和验证一种基于机器学习的新型风险预测模型,用于新发性心房动 (AF).
• 将心电图数据,人口因素,高血压和动脉硬性纳入AF预测模型.
• 在接受定期健康检查的大量日本人口中确定新发性AF的关键预测因素.

主要方法:

• 利用机器学习技术,特别是极端梯度提升和沙普利增量解释值,用于风险模型开发.
• 采用了来自年度健康检查 (2005-2015年) 的13,410人数据集,其中有110例新发的AF病例.
• 随机将数据分为80%的培训和20%的测试集,以构建和验证预测模型.

主要成果:

• 开发的风险预测模型在测试组中实现了0.789的接收器操作员特征曲线下的面积.
• 新发性AF的关键预测因素包括年龄,心血管指数 (动脉硬度测量),估计的膜过率和性别.
• 其他重要预测因素包括体重指数,尿酸,肝酶,甘油三和缩血压.

结论:

• 一个新的机器学习模型有效地预测新发动的心房动,使用随时可用的健康检查数据,包括动脉硬.
• 该模型的性能表明其在识别有针对性的AF预防策略的高风险个体方面的实用性.
• 将动脉硬度测量措施集成到风险预测模型中,提高了预测一般人群中AF发展的准确性.