一个机器学习模型,以帮助检测家族高胆固醇血症
Jasmine Gratton1, Marta Futema1,2, Steve E Humphries1
1Institute of Cardiovascular Science, University College London, London, United Kingdom.
JACC. Advances
|June 28, 2024
概括
亲属高胆固醇血症 (FH) 查可以通过一种新的算法来改进,以识别有风险的个体. 这种方法有助于早期检测和干预冠心病的预防.
科学领域:
- 心血管遗传学 心血管遗传学
- 生物标志物发现发现
- 公共卫生查 公共卫生查
背景情况:
- 单一性家族性高胆固醇血症 (FH) 显著增加了早发性冠状动脉心脏病和死亡的风险.
- 尽管发病率高 (1:250),但FH的诊断往往迟,延迟了关键的干预措施.
- 目前缺乏针对FH的人口查策略,导致错过了早期管理的机会.
研究的目的:
- 开发一种预测算法,用于识别疑似单一性FH的个体.
- 为了促进后续的确认性基因测试和级查FH.
主要方法:
- 使用英国生物库数据 (139779名参与者) 采用了后勤回归模型.
- 预测因素包括医疗/家族病史,人体测量,生物标志物和低密度脂蛋白胆固醇 (LDL-C) 多基因评分 (PGS).
- 模型推导和验证是在独立的培训和测试数据集上进行的.
主要成果:
- 一个14个变量的FH算法实现了0.77.7的曲线下的面积 (AUC).
- 关键预测因素包括甘油三,LDL-C,阿波利波蛋白A1,他类药物的使用和LDL-C PGS.
- 不包括PGS的9个变量模型显示了可比性能 (AUC 0.76),表现优于基于LDL-C的查.
结论:
- 通过结合额外的预测变量,可以实现增强的FH检测.
- 这种策略可以通过减少整体测序负担来优化人口查.
- 改进的识别能够及时进行干预,减轻与FH相关的心血管风险.
