基于机器学习的预测模型用于早期检测心血管疾病:一项研究利用来自韩国三级卫生促进中心的患者样本

科学领域:

• 计算医学是一种计算医学.
• 机器学习在医疗保健中的应用
• 心血管疾病的研究研究.

背景情况:

• 心血管疾病 (CVD) 构成了全球健康的重大负担.
• 准确和早期预测心血管疾病对于有效的患者管理至关重要.
• 现有的预测模型可能需要增强,以提高准确性和临床效用.

研究的目的:

• 开发和验证用于心血管疾病预测的高性能机器学习模型.
• 使用真实世界患者数据评估 XGBoost 算法及其变体 XGBSE 的预测性能.
• 评估该模型在长期心血管疾病风险评估的生存分析中的有用性.

主要方法:

• 利用来自第三级医疗机构的21,118名患者检查数据集 (韩国首尔,2009-2021年).
• 开发和比较机器学习模型,专注于XGBoost算法进行预测.
• 使用XGBSE算法进行生存分析,并将其性能与Cox回归进行比较.

主要成果:

• XGBoost算法表现出强大的预测性能,接收器操作特征曲线 (AUROC) 下的平均面积为0.877.
• 在生存分析中,XGBSE实现了超过0.9的AUROC,2-9年预测和0.878.8的C指数.
• 在生存分析中,XGBSE的表现优于传统的考克斯回归,这表明心血管疾病的预测能力优越.

结论:

• 使用XGBSE算法成功开发了一种用于心血管疾病预测的高性能机器学习模型.
• 开发的模型显示了实际临床应用的巨大潜力,用于识别患有心血管疾病风险的患者.
• 建议进一步进行外部验证和简化,以促进广泛的临床采用.