基于机器学习的风险因素分析和预测模型构建慢性心力衰竭的发生:健康生态研究
Qian Xu1, Xue Cai2, Ruicong Yu1
1School of Medicine, Southeast University, Nanjing, China.
JMIR medical informatics
|January 31, 2025
概括
机器学习模型使用健康生态数据预测慢性心力衰竭 (CHF) 风险. 适应性增强 (AdaBoost) 模型显示了最高的有效性,提高了预测准确性和AUC,以更好地预防CHF.
科学领域:
- 心血管医学 心血管医学
- 数据科学数据科学数据科学
- 健康生态健康生态学
背景情况:
- 慢性心力衰竭 (CHF) 是一个重大的全球健康挑战,患病率和死亡率很高.
- 机器学习 (ML) 和健康生态学的进步为了解CHF机制和风险因素提供了新的途径.
- 早期识别高风险个体对于制定有针对性的预防和干预策略至关重要.
研究的目的:
- 开发一种基于ML的CHF发生风险预测模型.
- 从健康生态学的角度分析CHF风险因素.
- 为了比较各种ML模型的性能,用于CHF风险预测.
主要方法:
- 利用了来自杰克逊心脏研究的数据,包括严格的数据预处理和使用主要组件分析和随机森林 (RF) 的特征选择.
- 构建并评估了多个ML模型:决策树,射频,极端梯度提升,自适应提升 (AdaBoost),支持矢量机,天真贝斯,多层感知器和引导森林.
- 使用10倍交叉验证和超参数优化验证模型性能,比较准确度,精度,灵敏度,F1得分和AUC等指标.
主要成果:
- 在特征选择方面,RF优于PCA,确定了21个重要的特征.
- 在AdaBoost模型中,初始AUC为0.86,准确度为75.30%,精度为0.86,灵敏度为0.69,F1得分为0.76,表现出卓越的性能.
- 通过10倍交叉验证进行内部验证,AdaBoost模型的AUC为0.97,准确度为91.27%,通过超参数优化进一步改进.
结论:
- 该研究成功开发和验证了用于CHF风险预测的ML模型.
- AdaBoost成为最有效的模型,突出了ML在识别患心血管衰竭风险的个人的潜力.
- 未来的研究应该探索前性研究,多样化的数据集,先进的ML技术和纵向分析,以加强CHF的预防和管理.
