使用机器学习和常规临床生物标志物的早期冠状动脉疾病预测,通过增强的虚拟数据改进
Angela Koloi1,2,3, Vasileios S Loukas1, Cillian Hourican4
1Unit of Medical Technology and Intelligent Information Systems, Department of Materials Science and Engineering, University of Ioannina, Ioannina, Greece.
机器学习模型使用常规测试准确预测冠状动脉疾病 (CAD). 这种方法增强了早期检测,并可能减少疑似CAD患者的侵入性手术.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 冠状动脉疾病 (CAD) 是可修改的风险因素导致死亡的主要原因.
- 准确的测试前概率评估对于诊断阻塞性CAD至关重要,但目前的模型面临准确性挑战.
- 机器学习 (ML) 提供了早期CAD检测和改善患者治疗结果的潜力.
研究的目的:
- 使用机器学习 (ML) 模型识别早期冠状动脉疾病 (CAD).
- 为了评估ML的疗效与临床和实验室测试一起用于CAD检测.
- 通过生成高质量的虚拟患者数据来提高ML模型的性能.
主要方法:
- 利用了路德维希沙芬风险和心血管健康研究 (LURIC) 中3316名患者的数据.
- 开发了一个ML管道,包含一套全面的临床和实验室属性.
- 采用五种方法来生成虚拟患者数据以增强训练数据集.
- 用年轻芬兰人研究 (YFS) 的数据来验证可通用的结果.
主要成果:
- 虚拟增强数据的应用提高了ML模型的性能,精度增加了约5%.
- 随机森林 (RF) 和梯度增强 (GB) 模型在数据增强后显示出更高的准确性,灵敏性和特异性.
- 射频精度从0.75增加到0.79,GB精度从0.76增加到0.80.
- 在RF和GB模型中观察到显著的灵敏度和特异性改善,这些模型具有增强数据.
结论:
- 常规的实验室标记,年龄,性别和吸烟状况可以准确预测血管学CAD.
- 利用这些因素的ML模型显示,有可能减少对侵入性诊断程序的需求.
- 这些发现通过YFS在年轻人群中得到了验证,证实了对动脉样硬化血管疾病的适用性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:51Hydra, a Computer-Based Platform for Aiding Clinicians in Cardiovascular Analysis and Diagnosis
Published on: September 26, 2018
相关概念视频
Coronary Artery Disease I: Introduction
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Coronary Artery Disease IV: Preventive Measures
