通过使用机器学习的临床和免疫学标记器预测心血管衰老模型.

科学领域:

• 老年学和免疫学 在老年学和免疫学.
• 心血管疾病的研究研究.
• 机器学习在医疗保健中的应用.

背景情况:

• 衰老和免疫机制对心血管疾病 (CVD) 的发展至关重要,特别是慢性炎症.
• 早期发现老年人的衰老对于积极的健康管理至关重要.
• 机器学习为分析复杂的健康数据提供了一种新的方法,用于预后建模.

研究的目的:

• 开发基于机器学习的预后模型,用于预测60岁以上人群的衰老率和心血管疾病风险.
• 确定与心血管衰老相关的关键临床,免疫和生活方式因素.
• 评估系统性炎症在衰老和相关疾病的发病过程中的作用.

主要方法:

• 分析免疫标记 (CD14+,HLA-DR,IL-10,CD8+),临床参数 (BMI,心血管疾病史,高血压,糖尿病) 和生活方式因素之间的关系.
• 机器学习模型的开发和比较:随机森林,物流回归,k-最近邻居和XGBoost.
• 使用准确性,ROC-AUC和F1得分指标评估模型性能.

主要成果:

• 在免疫标记 (CD14+,HLA-DR,IL-10,CD8+) 和临床/行为因素之间发现了显著的相关性.
• CD14+与心肌硬化相关 (37%),HLA-DR与BMI相关 (39%),IL-10与BMI有负相关性 (-52%).
• XGBoost模型以91%的准确性和0.8333的AUC表现出卓越的性能,有效预测心血管衰老风险.

结论:

• 免疫学标志物和临床参数有显著的相关性,使得评估早期心血管衰老的个体风险.
• 机器学习模型,特别是XGBoost,在预测衰老率和心血管疾病风险方面表现出很高的有效性.
• 这些发现强调了系统性炎症在衰老和心血管健康中的核心作用,为有针对性的干预措施铺平了道路.