机器学习模型用于预测慢性病患者的心血管疾病

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 心脏病学 心脏病学
• 数据科学数据科学数据科学

背景情况:

• 心血管疾病 (CVD) 是慢性病 (CKD) 患者的主要死亡原因.
• 准确的CVD风险预测对于改善患者的治疗结果和在CKD管理中的临床决策至关重要.

研究的目的:

• 开发和评估用于预测CKD患者心血管疾病风险的机器学习模型.
• 在CKD人群中确定与心血管疾病发展相关的关键临床特征.

主要方法:

• 利用了8,894名CKD患者 (2015-2020) 的电子病历.
• 用于特征选择的使用最小绝对收缩和选择运算符 (LASSO) 回归.
• 开发并比较了七个机器学习分类算法,包括极端梯度提升 (XGBoost),用于CVD预测.
• 评估模型使用像曲线下的面积 (AUC),准确性,灵敏度,特异性和F1分数等指标.

主要成果:

• 在CKD患者中确定了八种CVD的显著预测因素:年龄,高血压史,性别,抗血小板药物的使用,HDL,离子,24小时尿蛋白和eGFR.
• 在测试组中,XGBoost模型实现了最高的预测性能,AUC为0.89.
• 综合性心血管疾病事件发生在25.9%的研究队列 (2,304名患者).

结论:

• 一个强大的基于机器学习的CVD风险预测模型成功地为CKD患者开发出来.
• 该模型利用常规临床数据,提供高预测准确度,并可以支持临床决策.
• 预计该工具将增强患有CKD的个体的管理和治疗策略.