提高心血管风险预测:墙壁粘弹性在机器学习模型中的作用

科学领域:

• 生物医学工程 生物医学工程
• 心血管研究研究心血管研究
• 医疗保健中的机器学习

背景情况:

• 心血管疾病 (CVD) 风险预测依赖于传统因素,如人口统计和血液标记.
• 动脉壁机制,包括粘性弹性,为改善心血管疾病风险分层提供了潜力.
• 当前的模型可能无法完全捕捉影响心血管疾病发展的复杂生物力学特性.

研究的目的:

• 评估动脉壁粘性在增强心血管疾病 (CVD) 风险预测方面的重要性.
• 为了比较弹性与粘性机械性能对预测准确性的影响.
• 为了确定最佳的机器学习模型和特征,用于CVD风险评估.

主要方法:

• 收集了有关人口统计,血液实验室结果和动脉壁机械性质 (彼得森模量,刚度,能量消散比率) 的数据.
• 根据心血管超声波的总斑块面积分类心血管疾病风险 (低/高).
• 采用了八个机器学习分类器,包括随机森林包装方法 (RFBM),并分析了特征的重要性.

主要成果:

• 整合动脉壁的机械属性显著提高了大多数机器学习模型的预测准确度.
• 在使用所有10个特征的情况下,RFBM实现了最高的性能 (93.0%准确率,0.98AUC).
• 包括粘性特征 (能量散射比率) 在树基包装模型中提供了比弹性特征更大的精度改进.

结论:

• 动脉壁粘性在提高心血管疾病风险预测准确性方面发挥着至关重要的作用.
• 整合粘性特性,例如能量消耗比率,为预测建模提供了显著的优势.
• 结合弹性和粘性壁的特征,有可能更精确地评估心血管疾病风险.