基于机器学习的预测动脉内膜-介质厚度的进展:为期三年的前性队列研究

科学领域:

• 心血管医学 心血管医学
• 生物标志物 生物标志物
• 医疗保健中的机器学习

背景情况:

• 早期发现亚临床动脉样硬化对于预防动脉样硬化心血管疾病 (ASCVD) 至关重要.
• Carotid intima-media 厚度 (CIMT) 是一个关键标志物,但预测其进展是具有挑战性的.
• 这项研究重点是开发机器学习模型,以使用临床生物标志物来预测CIMT进展.

研究的目的:

• 开发和验证用于预测CIMT进展的机器学习模型.
• 确定与CIMT进展相关的关键临床生物标志物.
• 为预防动脉样硬化建立一个风险分层框架.

主要方法:

• 一项为期三年的904名参与者的前性队列研究,每年进行CIMT测量.
• 评估了七个机器学习算法 (逻辑回归,随机森林,XGBoost,SVM,弹性网,决策树,神经网络).
• 使用歧视 (AUC) 和校准指标的性能评估,使用Platt缩放和临床实用性决策曲线分析.

主要成果:

• 弹性网模型显示出优异的性能 (AUC 0.754),确定基线CIMT,单细胞计数,性别,年龄和LDL-C作为关键预测因素.
• 普拉特缩放显著改善了模型校准.
• 一个三级风险分层框架确定了不同的风险组 (中等,高,非常高),事件发生率越来越高.

结论:

• 机器学习,特别是弹性网模型,使用常规临床生物标志物有效预测CIMT进展.
• 该模型显示出强大的临床实用性,支持对ASCVD预防的分层方法.
• 更简单的模型表明线性关系,突出了可访问的预测器的价值.