使用多变量自适应回归脊柱来估计心肌输血扫描的总压力评分,在中国妇女的2型糖尿病:一个多线性回归的比较研究:多线性回归的比较研究

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 数据科学数据科学数据科学

背景情况:

• 心肌 perfusion scintigraphy (MPS) 对于评估糖尿病患者心脏缺血症至关重要.
• 先进的预测模型在估计总压力得分 (SSS) 时未得到充分利用.
• 糖尿病人群在评估心血管风险方面存在独特的挑战.

研究的目的:

• 评估多变量自适应回归线 (MARS) 在从MPS数据中预测SSS中的有效性.
• 将MARS的性能与SSS预测的传统多重线性回归 (MLR) 进行比较.
• 探索先进的建模技术,以改善糖尿病妇女的非侵入性风险分层.

主要方法:

• 对1028名糖尿病妇女进行了分析,她们接受了Thallium-201 MPS.
• 开发和比较MARS和MLR模型用于SSS预测.
• 使用RMSE,RAE,RRSE,MAPE和SMAPE指标在分割数据集上的绩效评估 (80%的培训,20%的测试).

主要成果:

• 在测试数据集上,MARS模型表现出比MLR模型更高的预测准确度.
• 与MLR相比,MARS实现了较低的RMSE (3.25比3.89),RAE (0.52比0.64) 和RRSE (0.53比0.67) 的结果.
• 在MAPE (18.7%对22.1%) 和SMAPE (17.3%对20.5%) 中,MARS也表现更好.

结论:

• 马尔斯模型显示了糖尿病妇女中SSS的增强预测能力.
• 在改善非侵入性心肌风险分层方面,MARS具有显著的潜力.
• 这项研究强调了先进的机器学习模型在糖尿病患者心血管诊断中的价值.