通过机器学习使用心理健康数据改善心血管疾病预测:一项前性英国生物库研究

科学领域:

• 计算生物学和生物信息学
• 心血管医学 心血管医学
• 精神病学和心理学.

背景情况:

• 心血管疾病 (CVD) 风险预测对于及时的患者干预至关重要.
• 心理健康和心血管疾病之间的联系已经确立,但在预测模型中经常被忽视.
• 目前的心血管疾病模型缺乏全面的心理数据,并对有限的人群进行培训.

研究的目的:

• 评估将心理数据纳入机器学习 (ML) 模型的有效性,以改善心血管疾病预测.
• 评估心理因素对心脏病风险评估准确性的影响.

主要方法:

• 利用英国生物库的大型数据集 (n=375,145) 分析心血管疾病与传统和心理风险因素的相关性.
• 开发了一个集体ML模型,包括五个算法:决策树,随机森林,XGBoost,支持矢量机和深度神经网络.
• 使用两个数据集训练和测试模型:一个仅包含传统风险因素,另一个包括传统和心理因素.

主要成果:

• 整体ML模型在仅使用传统风险因素来预测心血管疾病方面达到71.31%的准确性.
• 纳入心理因素使该模型的预测准确度提高到85.13%.
• 整体ML模型与其个体组成算法相比,显示出更高的准确性和稳定性.

结论:

• 将心理健康评估数据集成到集体ML模型中,可以大大提高心血管疾病预测的准确性.
• 这种方法为CVD风险预测提供了比仅依赖传统因素的模型更强大,更准确的方法.