在患有心房的患者中,对2年中风风险的合理预测
Jifan Gao1, Philip Mar2, Zheng-Zheng Tang1
1Department of Biostatistics and Medical Informatics, University of Wisconsin-Madison, Madison, WI 53726, United States.
概括
机器学习模型改善了对心房患者的2年中风风险预测. 我们的方法增强了跨种族群体的模型公平性,显示了临床实践的潜力.
科学领域:
- 临床信息学 临床信息学
- 医疗保健中的机器学习
- 健康 公平 卫生 公平
背景情况:
- 前庭动 (AF) 具有显著的中风风险,需要准确的风险预测.
- 现有的风险评分 (CHADS2,CHA2DS2-VASc) 可能会显示种族群体之间的绩效差异.
- 我们所有人的研究计划为模型开发提供了各种电子健康记录 (EHR) 数据.
研究的目的:
- 开发准确和公平的机器学习模型,用于预测心房动患者的2年中风风险.
- 在中风风险预测模型中解决和减轻种族差异.
- 利用我们所有人研究计划的数据来推进临床信息学.
主要方法:
- 利用来自我们所有人研究计划的结构化EHR数据.
- 开发了LightGBM模型,以捕捉中风风险预测因素和结果之间的关系.
- 实施差异缓解策略,包括代表性调整集,定制标准和子组特定门.
- 雇佣的时间验证和一个专门的保留集,增加了黑人/非洲裔美国人的代表性,以获得公平的验证.
主要成果:
- 与CHADS2和CHA2DS2-VASc分数相比,机器学习模型显著改善了中风风险预测 (AUC从~0.70到>0.80).
- 与传统的交叉验证相比,差异缓解策略提高了模型的公平性.
- 开发的模型表现出良好的歧视性和卓越的公平性表现.
结论:
- 轻GBM模型,结合差异缓解,为心房患者提供准确和公平的中风风险预测.
- 这种方法为预测因素的贡献提供了可解释的见解,提高了临床效用.
- 拟议的差异缓解框架具有适应性,在临床信息学方面显示出广泛的潜力,并解决了健康差异.
