机器学习模型的开发和外部验证用于透析患者的心脏膜化早期查:一个多中心研究
Xiaoxu Wang1, Yinfang Li2, Zixin Cao1
1Department of Nephrology, Zhongda Hospital, Southeast University School of Medicine, Nanjing, P.R. China.
Renal failure
|April 25, 2025
概括
一个新的机器学习模型准确地预测了透析患者心脏膜化 (CVC) 风险. 这种工具有助于在这个高危人群中早期发现和管理心血管并发症.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
背景情况:
- 心脏膜化 (CVC) 在透析患者中很普遍,增加了心血管风险.
- 目前对CVC的早期查受到成本考虑的阻碍.
- 开发具有成本效益的查工具对于在透析患者群体中管理心血管健康至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于在透析患者中早期检测心脏结石化 (CVC).
- 在这个患者队列中确定CVC的关键预测因素.
- 为改善 CVC 风险评估提供一个实用的工具.
主要方法:
- 利用852名透析患者的数据进行模型开发和661人进行四个中心的外部验证 (2020-2023年).
- 使用LASSO回归和统计分析来选择预测因素:年龄,透析持续时间,性酸酶,阿波利波蛋白A1和完整的副甲状腺激素.
- 评估了多种机器学习模型,包括后勤回归,CatBoost,XGBoost等,使用AUROC,校准曲线和决策曲线评估性能.
主要成果:
- 后勤回归模型在内部 (AUROC 0.806) 和外部 (AUROC 0.757) 验证集中都显示出卓越的预测性能.
- 确定的主要预测因素是年龄,透析持续时间,性酸酶,阿波利波蛋白A1和完整的副甲状腺激素.
- 该模型实现了优异的风险分层,证实了其用于CVC预测的临床适用性.
结论:
- 一个经过验证的后勤回归模型有效地预测了透析患者的心脏膜化风险.
- 这种机器学习方法为早期CVC检测提供了一个强大且潜在的成本效益高的工具.
- 改善早期检测可以带来增强的管理策略和更好的心血管结果透析患者.
