机器学习算法的应用,用于通过例行健康评估预测动脉斑块

科学领域:

• 生物医学信息学 生物医学信息学
• 心血管医学 心血管医学
• 机器学习 机器学习

背景情况:

• 心血管疾病 (CVD) 构成了全球严重的健康负担.
• 动脉斑块 (CAP) 是心血管疾病风险的关键指标.
• 由于对动脉超声诊断的获取有限,因此需要采用替代查方法.

研究的目的:

• 开发和比较用于预测CAP的机器学习 (ML) 模型.
• 利用例行健康评估和血液生物标志物用于CAP风险预测.
• 为心血管疾病风险提供可访问的查替代方案.

主要方法:

• 评估了七个ML模型 (LightGBM,LR,MLP,NBM,RF,SVM,XGBoost) 的使用情况.
• 使用了来自19751名参与者的数据,包括健康检查和生化指标.
• 用AUC,精度,灵敏度和特异性等指标评估模型性能.

主要成果:

• 轻GBM表现出最高的预测性能,AUC为85.4%.
• 确定的主要预测因素包括年龄,缩血压 (SBP),性别,低密度脂蛋白胆固醇 (LDL-C) 和总胆固醇 (CHOL).
• 该研究使用21个选定的指标成功预测了农业政策风险.

结论:

• 机器学习模型可以有效地利用常规健康数据预测动脉斑块风险.
• 这种方法增强了对心血管疾病的公共卫生监测和风险评估.
• ML有助于早期识别高风险个体,优化医疗保健资源分配.