用机器学习算法和关联规则挖矿,在孟加拉国个人中预测心血管风险和影响预测因子的识别

科学领域:

• 公共卫生 公共卫生
• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习

背景情况:

• 心血管疾病 (CVD) 是全球主要的死亡原因,对孟加拉国产生重大影响.
• 使用机器学习 (ML) 的预测建模为早期CVD检测和风险分层提供了有希望的方法.
• 识别高风险个体对于制定有针对性的公共卫生干预措施至关重要.

研究的目的:

• 用ML算法预测孟加拉国心血管疾病高风险人群.
• 通过关联挖矿来确定高心血管疾病风险的关键影响预测因素.
• 提高心血管疾病预测的准确性,并为预防策略提供信息.

主要方法:

• 利用了孟加拉国人口与健康调查 (BDHS) 2022年的数据 (n=2,221).
• 雇佣了基于Boruta的特征选择,以确定重要的心血管疾病风险预测因素.
• 应用并评估多个ML模型 (逻辑回归,天真贝叶斯,ANN,随机森林,XGBoost) 进行预测.
• 使用关联挖矿规则分析影响预测因素.

主要成果:

• 博鲁塔将年龄,居住地,婚姻状况,财富,AC所有权和BMI确定为关键预测因素.
• 极端梯度增强 (XGB) 模型表现出卓越的性能 (精度:68.22%,AUC:0.721).
• 协会规则强调年龄较大 (≥65岁),城市居住,最富有的财富,AC所有权和寡妇是显著的风险因素.

结论:

• XGBoost显示出在孟加拉国人口中预测高心血管疾病风险的巨大潜力.
• 确定了导致心脏病风险的关键人口和社会经济因素.
• 这些发现有助于制定有针对性的心血管疾病预防和管理策略.