基于机器学习的预测,在美国普通人群中增加了N终端脑前性尿素
Yuichiro Mori1, Shingo Fukuma1, Kyohei Yamaji2
1Department of Human Health Sciences, Graduate School of Medicine, Kyoto University, Kyoto, Japan.
ESC heart failure
|November 19, 2024
概括
机器学习和后勤回归模型有效地预测了一般人群中N-终端亲脑性 (NT-proBNP) 水平的升高. 这些模型可以使用常见的临床数据帮助识别个人进行心力衰竭查.
科学领域:
- 心脏病学 心脏病学
- 生物医学信息学 生物医学信息学
- 公共卫生 公共卫生
背景情况:
- 推用于心力衰竭前检测的 natriuretic 片查.
- 在一般人群中识别个人进行查仍然具有挑战性.
- 机器学习模型为改善风险分层提供了潜力.
研究的目的:
- 评估机器学习模型,以预测高的N端前脑性尿素 (NT-proBNP) 水平.
- 评估美国一般人口中的模型性能.
- 确定NT-proBNP升高的关键预测因素.
主要方法:
- 利用了来自国家健康和营养检查调查 (1999-2004) 的数据.
- 训练了六种模型 (逻辑回归和机器学习) 来预测高NT-proBNP (>125 pg/mL).
- 在单独的队列上验证模型,分析人口统计,生活方式和生物化学数据.
主要成果:
- 超级学习者模型实现了最高的AUC (0.862),超过了后勤回归.
- 逻辑回归与分线显示了相似的性能 (AUC 0.857).
- 关键预测因素包括年龄,白蛋白,血红蛋白,性别,eGFR和静脉血压.
结论:
- 后勤回归和机器学习模型都能准确地预测高NT-proBNP.
- 使用常见的临床变量保持预测性表现.
- 这些模型可以帮助临床医生识别 natriuretic 检查的标.
更多相关视频
08:20Time-Resolved In Vivo Measurement of Neuropeptide Dynamics by Capacitive Immunoprobe in Porcine Heart
Published on: May 19, 2022
2.0K
08:41Integration of Miniaturized Solid Phase Extraction and LC-MS/MS Detection of 3-Nitrotyrosine in Human Urine for Clinical Applications
Published on: July 14, 2017
9.3K
