在20岁及以上的抑郁患者中,使用机器学习算法开发和验证冠心病风险预测模型

科学领域:

• 心脏病学 心脏病学
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 抑郁症是冠心病 (CHD) 的重要危险因素.
• 现有的预测模型并没有专门针对抑郁症患者的冠心病风险.
• 需要一个专门的工具来预测这个人群中的CHD概率.

研究的目的:

• 开发和验证用于预测冠心病 (CHD) 风险的机器学习 (ML) 模型.
• 在被诊断患有抑郁症的个体中确定心血管疾病的关键风险因素.
• 在这个预测任务中评估各种ML算法的性能.

主要方法:

• 利用国家健康和营养检查调查 (NHANES) 数据 (2007-2018) 来自2,085名抑郁症患者.
• 采用后勤回归来识别独立的风险因素.
• 在训练和验证集上应用并比较了8个ML算法,包括随机森林.
• 使用AUC,校准曲线,Brier分数和DCA评估模型性能.

主要成果:

• 年龄,胸痛,心肌梗塞史,甘油三和教育水平被确定为独立的预测因素.
• 随机森林模型在高AUC值 (0.996在验证集中) 的情况下实现了优异的预测性能.
• 内部验证证实该模型具有良好的区分能力和临床实用性.

结论:

• 随机森林算法在预测冠心病风险方面表现最好.
• 这种ML模型可以帮助临床医生评估抑郁症患者的心脏病风险概率.
• 这些发现强调了整合心理健康和心血管风险评估的重要性.