公平和可解释的心肌梗塞 (MI) 预测:用于特征选择和类失衡纠正的新策略

科学领域:

• 心脏病学 心脏病学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 心肌梗塞 (MI) 发病率上升需要改进早期检测方法.
• 传统的健康数据来源 (调查,电子健康记录) 存在阶级不平衡,导致预测偏差.
• 需要使用个人健康数据的可靠模型,特别是对于缺乏传统风险因素的个人.

研究的目的:

• 开发一个增强的MI风险预测模型,使用BRFSS和NHIS数据集的自我报告属性.
• 解决健康数据集中的阶级失衡问题,以便更准确地评估MI风险.
• 通过先进的分析技术,识别MI的关键预测因素和风险因素.

主要方法:

• 集成的双路径人工神经网络 (DP-ANN),以减轻不平衡数据集中的偏见决策.
• 使用三重标准选择 (TCS) 进行公正的特征选择.
• 雇佣少数群体加权抽样 (MWS) 管理少数群体类抽样中的挑战.

主要成果:

• 使用DP-ANN实现了平衡的性能:80%的特异性,82%的灵敏性和89.5%的AUC-ROC.
• 与之前的研究相比,失衡变异的改善率为14.96%.
• 沙普利添加式扩展 (SHAP) 确定了关键的MI预测因素,如冠状动脉心脏病,支气管炎 (女性) 和中风 (35-54岁).

结论:

• 这种新的方法为MI风险预测提供了一个强大的和可通用的模型.
• 该研究提高了MI预测的准确性和特征相关性,在不平衡的数据集上表现优于现有的模型.
• 为医疗保健专业人员提供一种工具,用于早期检测心脏病发作和改善患者的治疗结果.