基于机器学习的预测模型,使用电子健康记录数据来预测心血管疾病风险:系统审查和元分析

科学领域:

• 心血管疾病的研究研究.
• 机器学习在医疗保健中的应用.
• 在公共卫生领域的预测建模.

背景情况:

• 心血管疾病 (CVD) 是英国的主要死亡原因,需要改进初级预防策略.
• 传统的风险评分 (例如QRISK3,ASCVD) 在预测长期心血管疾病风险方面存在局限性.
• 电子健康记录 (EHR) 为开发先进的风险预测模型提供了丰富的数据来源.

研究的目的:

• 系统地评估和比较机器学习 (ML) 模型与传统CVD风险预测算法的有效性.
• 评估ML模型的性能,使用EHR数据进行中长期 (5-10年) 心血管疾病风险预测.
• 确定ML在增强CVD风险分层中的潜力,用于初级预防.

主要方法:

• 按照PRISMA指南进行了系统审查和随机效应元分析.
• 分析了2010年至2024年间发表的研究,包括32个ML模型和26个常规统计模型.
• 评估了性能指标,主要是曲线下的面积 (AUC) 和异质性.

主要成果:

• 机器学习模型,特别是随机森林和深度学习,与传统分数相比,显示出优异的预测性能.
• 机器学习模型的聚合AUC达到0.865 (随机森林) 和0.847 (深度学习),显著超过0.765.7的传统得分AUC.
• 在研究中观察到显著的异质性 (I2 > 99%) 和潜在的出版偏差,表明模型性能的变化.

结论:

• 机器学习模型对心血管疾病风险预测具有增强的校准,比传统方法提供更先进的功能.
• 目前,大量的变异性和方法限制阻碍了ML模型的广泛临床应用.
• 未来的研究必须优先考虑方法透明度和标准化,以提高基于ML的CVD风险预测工具的可靠性和临床实用性.