使用非侵入性数据开发代谢综合征预测模型及其心血管疾病风险评估:多队列验证研究

科学领域:

• 心脏病学 心脏病学
• 代谢健康 代谢健康
• 医疗保健中的机器学习

背景情况:

• 代谢综合征,以肥胖,高血压,失脂症和胰岛素抵抗为特征,显著提高心血管疾病 (CVD) 的风险.
• 随着全球患病率的不断上升,人们需要可访问,可扩展的查方法,超越传统的实验室测试.
• 目前的查限制阻碍了早期识别和干预,特别是在初级保健机构.

研究的目的:

• 开发和验证一个非侵入性预测模型的代谢综合征利用人体组成数据.
• 评估模型在临床和公共卫生应用中预测长期心血管疾病风险方面的能力.
• 支持对心脏代谢疾病的早期干预和预防策略.

主要方法:

• 开发了一种在双能X射线吸收度学上训练的机器学习模型,并通过来自国家队列的生物电阻分析数据进行验证.
• 采用了五个机器学习算法,根据接收器运行特征曲线分析选择了表现最好的人.
• 利用考克斯的比例危险回归来评估模型与长期心血管疾病风险的关联.

主要成果:

• 预测模型表现出强的表现,曲线下的面积值在内部和外部验证队列中从0.8039到0.8447不等.
• 根据模型确定患有代谢综合征的个体,患心血管疾病的风险增加了1.51倍 (HR 1.51,95% CI 1.32-1.73;P<.001).
• 该模型的预测与未来的心血管风险有显著的关联,这表明它对早期干预的实用性.

结论:

• 成功开发和验证了代谢综合征的非侵入性预测模型,为早期风险识别提供了更好的可访问性.
• 该模型可以促进大规模的查和初级保健评估,而不需要实验室测试.
• 预测长期心血管疾病风险支持主动策略,以减轻心脏代谢疾病的负担,需要进一步细化和更广泛的验证.