可解释机器学习模型用于肺高血压风险预测:回顾性队列研究
Hongxia Jiang1, Han Gao1, Dexin Wang2
1Department of Respiratory and Critical Care Medicine, Zhongnan Hospital of Wuhan University, Number 169, Donghu Road, Wuchang District, Wuhan, 430000, China.
JMIR medical informatics
|September 24, 2025
概括
这项研究开发了一种机器学习模型,用于早期肺高血压 (PH) 诊断,使用非侵入性心声回声和实验室测试. 该模型显示高精度,使得及时干预和改善患者的结果.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 肺高血压 (PH) 是一种进展性疾病,导致右心力衰竭.
- 早期PH检测对于更好的患者结果至关重要.
- 目前的诊断方法,如右心脏导管,是侵入性的.
研究的目的:
- 从心声学,实验室和人口统计数据中识别PH的关键预测因素.
- 开发一种基于机器学习的预测模型,用于早期的非侵入性PH诊断.
- 改善侵入性诊断程序的局限性.
主要方法:
- 利用了PH患者和对照者的心声回声学,实验室测试和人口统计数据的综合数据集.
- 用人回归特征消除用于回声心脏学变量选择.
- 应用 XGBoost 和 LASSO 回归用于特征选择和模型构建.
- 使用ROC曲线,校准图和决策曲线分析验证了预测模型.
主要成果:
- 确定了16个心声回声学参数和2个实验室生物标志物 (前列血时间活性,囊素C) 作为最佳预测因素.
- 开发的PH预测模型实现了高准确性 (AUC0.997内部,0.974外部验证).
- 通过严格的验证证实了模型的性能,证明了其临床适用性.
结论:
- 非侵入性预测模型显著提高了早期PH诊断.
- 高精度有助于及时干预和个性化治疗策略.
- 潜在的应用范围扩展到更广泛的心血管疾病管理.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
07:11Establishment and Validation of a Rat Model of Pulmonary Arterial Hypertension Associated with Pulmonary Fibrosis
Published on: May 23, 2025
862
