在数据驱动下识别失控高血压的关键预测因素:横截面研究
Oliver Mendoza-Cano1, Xóchitl Trujillo2, Miguel Huerta2
1Facultad de Ingeniería Civil, Universidad de Colima, Coquimatlán, Colima, Mexico.
在墨西哥成年人中预测失控高血压 (HTN) 是至关重要的. 关键因素包括年龄,HTN诊断以来的年龄和医疗护理来源,人工智能模型优于传统方法来更好地管理HTN.
科学领域:
- 心血管健康
- 公共卫生
- 医学的人工智能
背景情况:
- 失控的高血压 (HTN) 显著增加了不良健康结果的风险.
- 有效管理HTN需要了解其关键预测因素,特别是在接受治疗的人群中.
- 墨西哥成年人诊断出HTN代表需要有针对性的干预的人口群体.
研究的目的:
- 在接受药物治疗的墨西哥成年人中确定非控制高血压的关键预测因素.
- 将高级人工智能算法的预测性能与HTN的传统统计模型进行比较.
- 利用数据驱动的洞察力优化高血压管理策略.
主要方法:
- 利用了来自2022年国家健康和营养调查的1,308名墨西哥成年人的数据.
- 采用机器学习框架整合随机森林,XGBoost,LASSO回归和SHAP分析.
- 未控制的HTN定义为静脉血压≥130mmHg或静脉血压≥80mmHg.
主要成果:
- 随机森林确定了HTN诊断以来的年龄 (11.9%),年龄 (9.4%) 和医疗护理来源 (4.6%) 为主要预测因素.
- 在XGBoost模型中,SHAP分析强调年龄 (0.115) 和医疗保健来源 (0.065) 是重要的因素.
- 与后勤回归 (AUC=0. 61) 相比,随机森林的预测性能更好.
结论:
- 年龄,HTN诊断的持续时间和医疗护理来源是无法控制高血压的重要预测因素.
- 人工智能驱动的预测模型比传统方法更准确地识别风险中的个人.
- 这些发现可以为改善高血压控制的有针对性的公共卫生干预提供信息.
更多相关视频
05:16Cutoff Value of Phase Angle by Bioelectrical Impedance Analysis at Admission as a Prognostic Factor in Patients with Acute Heart Failure
Published on: June 10, 2025
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
相关概念视频
Hypertension III: Clinical Manifestations and Diagnostic Studies
Factors affecting Blood pressure
Physiological Factors:
Hypertension and Regulation of Blood Pressure
Hypertension I: Introduction
Hypertension IV: Drug Therapy and Lifestyle Modifications
Errors occurring during blood pressure monitoring
Several factors...
