对高脂蛋白的机器学习引导策略的评估 (a) 卫生系统中的查
Arya Aminorroaya1, Lovedeep S Dhingra1, Evangelos K Oikonomou1
1Cardiovascular Data Science (CarDS) Lab, Yale School of Medicine, New Haven, CT (A.A., L.S.D., E.K.O., R.K.).
Circulation. Genomic and precision medicine
|January 23, 2025
概括
建议对脂蛋白 (a) [Lp (a) ]进行普遍查,但检测率较低. 一个机器学习工具ARISE显示了识别高Lp (a) 风险患者的可行性,提高了测试产量.
科学领域:
- 心脏病学 心脏病学
- 遗传学 遗传学 是一个
- 预防医学 预防医学
背景情况:
- 尽管有普遍的查建议,但脂蛋白测试仍未得到充分利用.
- 目前的Lp (a) 检测率在许多卫生系统中低于0.5%.
- 需要制定策略来提高Lp (a) 测试的产量.
研究的目的:
- 评估在电子健康记录中部署算法风险检查用于查高Lp (a) (ARISE) 工具的可行性.
- 评估ARISE在识别患有升高Lp的高风险患者中的有效性.
- 确定ARISE得分与不同患者群体中升高的Lp(a) 水平之间的关联.
主要方法:
- 随机采样了来自耶鲁-纽黑文卫生系统的10万名患者,以确定ARISE部署的可行性.
- 在两个卫生系统中评估了Lp(a) 测试的种群 (n=7981,n=10,635).
- 与大型生物库和美国的队列 (英国生物库,ARIC,CARDIA,MESA) 进行了Lp(a) 测试.
主要成果:
- 对31586名患者的ARISE得分可以计算出来,确定7.5%具有高概率升高的Lp.
- 在耶鲁-纽黑文 (OR 1.87) 和范德比尔特 (OR 1.41) 队列中,积极的ARISE得分与较高的升高Lp(a) 几率显著相关.
- 与其他研究队列相比,Lp(a) 测试的人群在ARISE特征上显示出显著的差异.
结论:
- 在美国卫生系统中部署ARISE的可行性已被证明,用于高产量的Lp (a) 测试.
- 通过ARISE,可以有效地识别患有高Lp (a) 风险的个体.
- 证实了当前Lp (a) 测试实践的低采用率和高度选择性.
