描述早期生命因素在基于机器学习的多病症风险预测中的作用

科学领域:

• 多发病性疾病研究.
• 心血管疾病流行病学
• 代谢性疾病研究研究.

背景情况:

• 精神心脏代谢 (PCM) 多病症与生命早期因素 (ELF) 有关.
• 目前针对心血管疾病 (CVD) 和糖尿病的风险模型显示在特定人群中表现不佳.
• ELFs可能会显著影响疾病的发展和预测准确性.

研究的目的:

• 调查ELF对PCM多病症机器学习风险预测模型的贡献.
• 通过整合各种早期和近位变量来提高复杂临床群体的预测准确性.
• 评估ELF对模型决策的长期预测能力和影响.

主要方法:

• 利用英国生物库数据,结合了广泛的产前,产后和近位变量.
• 采用了能够处理高维,异质数据的机器学习模型.
• 应用了模型不可知的解释技术,以阐明导致多病症的相互作用.

主要成果:

• 在同时患有精神健康问题和糖尿病的个体中,改善了对心血管疾病的预测性能 (AUC-ROC: +7.9%,Acc: +14.7%).
• 在那些同时患有精神健康状况和心血管疾病的人群中,改善了糖尿病风险预测 (AUC-ROC: +12.3%,Acc: +13.5%).
• 从综合模型中确定了关键信息,以了解PCM多病症.

结论:

• 纳入包括ELF在内的生命周期因素,显著提高了PCM多病症风险预测模型.
• 整合各种生理,心理和早期生活因素对于管理复杂的多病症至关重要.
• 这些发现强调了临床风险评估中全生命周期方法的重要性.