对中风风险因素的全面分析和使用机器学习方法开发预测模型
Songquan Xie1, Shuting Peng1, Long Zhao1
1Neurosurgery Department of North Sichuan Medical College Affiliated Hospital, NanChong, 637000, Sichuan, China.
Molecular genetics and genomics : MGG
|January 24, 2025
概括
机器学习确定了关键的中风风险因素,包括高氨酸C (CysC),肌氨酸 (CREA) 和静脉血压 (SBP),这些因素会增加中风风险. 保护因素包括高密度脂蛋白胆固醇 (HDL-C) 和TMO.
科学领域:
- 心脏病学和公共卫生
- 生物统计学和机器学习
- 流行病学 流行病学
背景情况:
- 脑卒中是全球主要的健康问题,特别是在中国,需要及早识别风险因素.
- 精确的中风预测需要先进的方法,因为贡献因素的复杂性.
- 早期发现中风风险对于改善患者的治疗结果和减少疾病负担至关重要.
研究的目的:
- 通过机器学习识别中风的关键风险因素.
- 开发一个预测模型,以提高早期中风检测和临床决策.
- 评估确定参数和中风风险之间的剂量反应关系.
主要方法:
- 来自中国健康与退休长度研究 (2011-2020) 的数据分析.
- 评估12种慢性疾病之间的相关性.
- 应用机器学习算法来识别与中风相关的参数.
- 使用限制立方线和Cox比例危险模型评估剂量反应关系.
- 开发一个预测性名ogram模型,包括年龄,性别和关键风险因素.
主要成果:
- 机器学习发现了九个重要的中风风险参数:TyG-WC,WHtR,TyG-BMI,TyG,TMO,CysC,CREA,SBP和HDL-C.
- 增加的CysC,CREA和SBP显示出与增加中风风险的积极剂量反应关系.
- 较高的HDL-C和TMO与中风风险降低有关.
- 与个人预测器相比,开发的诺莫格拉姆模型显示出更高的预测准确性.
结论:
- 这项研究确定了与中风积极相关的重要中风风险因素,包括CysC,CREA,SBP,TyG-BMI,TyG,TyG-WC和WHtR.
- 发现TMO和HDL-C可以防止中风.
- 开发的预测模型作为临床医生有价值的决策支持工具,有助于有效的预防和治疗策略.
